越來越多的用戶選擇在微博上參與熱點(diǎn)話題的討論、表達(dá)自己的觀點(diǎn)。微博上的熱點(diǎn)話題往往是一個(gè)熱點(diǎn)事件、一個(gè)爭議較多的人物、一項(xiàng)引起廣泛關(guān)注的社會(huì)政策等,因此每個(gè)熱點(diǎn)話題背后涉及到多方面的人和事物等對(duì)象,不同的用戶對(duì)于熱點(diǎn)話題事件的議論角度不同,立場也不盡相同,觀點(diǎn)詳情也不盡相同。提取公眾在微博上對(duì)這些熱點(diǎn)話題表達(dá)的觀點(diǎn),研究公眾的立場,并對(duì)公眾的觀點(diǎn)加以歸納總結(jié),可以幫助微博用戶在很短的時(shí)間內(nèi)全面地了解熱門話題的詳情,幫助政府及企業(yè)開展及時(shí)有效的輿情監(jiān)督。本論文采用自然語言處理技術(shù)來對(duì)微博話題下的大量觀點(diǎn)文本進(jìn)行立場檢測、抽取觀點(diǎn)摘要,以期為微博領(lǐng)域的輿情研究提供一些新思路。立場檢測重點(diǎn)關(guān)注文本對(duì)于給定的目標(biāo)話題是否持有支持(FAVOR)、反對(duì)(AGAINST)立場或是未表明任何立場(NONE)。但是給定的目標(biāo)話題不一定會(huì)出現(xiàn)在文本中,微博作者可以通過表達(dá)對(duì)目標(biāo)話題相關(guān)的其他對(duì)象的看法來間接地表達(dá)作者對(duì)給定目標(biāo)話題的立場,因此正向的情感不一定代表支持立場,負(fù)向的情感不一定代表反對(duì)立場。本論文設(shè)計(jì)了一個(gè)共享卷積-LSTM條件編碼-注意力機(jī)制混合模型來自動(dòng)提取融合目標(biāo)話題文本和微博文本的語義信...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
緒論
第一章 相關(guān)理論與技術(shù)
    第一節(jié) 短文本特征表示方法
        一、基于統(tǒng)計(jì)方法的短文本特征表示
        二、基于神經(jīng)網(wǎng)絡(luò)的短文本特征表示
    第二節(jié) 注意力機(jī)制
    第三節(jié) 抽取式文本摘要基礎(chǔ)
        一、基礎(chǔ)算法
        二、ROUGE評(píng)價(jià)方法
第二章 面向微博話題的立場檢測模型
    第一節(jié) 基本思路
    第二節(jié) 模型設(shè)計(jì)
        一、詞向量表示層
        二、共享卷積層
        三、LSTM條件編碼層
        四、Attention層
        五、輸出層
        六、模型訓(xùn)練機(jī)制
    第三節(jié) 實(shí)驗(yàn)分析
        一、實(shí)驗(yàn)數(shù)據(jù)
        二、數(shù)據(jù)預(yù)處理
        三、評(píng)價(jià)指標(biāo)
        四、實(shí)驗(yàn)過程
        五、實(shí)驗(yàn)結(jié)果
第三章 面向微博話題的觀點(diǎn)摘要模型
    第一節(jié) 基本思路
    第二節(jié) 模型設(shè)計(jì)
        一、觀點(diǎn)關(guān)鍵詞抽取
        二、觀點(diǎn)微博重要性計(jì)算
        三、觀點(diǎn)微博相似度計(jì)算
        四、觀點(diǎn)微博聚類
        五、觀點(diǎn)微博抽取
    第三節(jié) 實(shí)驗(yàn)分析
        一、實(shí)驗(yàn)數(shù)據(jù)
        二、數(shù)據(jù)預(yù)處理
        三、評(píng)價(jià)指標(biāo)
        四、實(shí)驗(yàn)過程
        五、實(shí)驗(yàn)結(jié)果
總結(jié)和展望
    一、總結(jié)
    二、展望
參考文獻(xiàn)
致謝



本文編號(hào)：3946946