大數(shù)據(jù)時代的消費模式正在由線下逐漸發(fā)展到線上,網(wǎng)絡(luò)消費平臺積累了大量的用戶評論,在很大程度上反映了消費者的態(tài)度和觀點,對服務(wù)和商品提供方也有一定的反饋作用。用戶評論具有數(shù)據(jù)量大、日益劇增等特點,從中人工提取有用的信息需要耗費大量的時間和精力,因此亟需一種能夠?qū)Ａ坑脩粼u論進(jìn)行觀點挖掘分析的方法。一條用戶評論往往包含多個觀點詞,并對應(yīng)具體的觀點維度,例如在餐飲業(yè)評論中“火鍋”、“美味”等觀點詞皆屬于“菜品”這一維度。本文主要從觀點維度抽取以及觀點維度層級的情感分析兩個方面展開深入研究,挖掘得到用戶評論中的細(xì)粒度主觀情感,以幫助消費者科學(xué)選擇,商家有針對性地改進(jìn)。在維度抽取任務(wù)中,本文將觀點詞作為特定的實體進(jìn)行抽取,并劃分到具體的觀點維度。論文提出一種基于ELMo改進(jìn)的預(yù)訓(xùn)練語言模型fastELMo,相比于其它靜態(tài)詞向量方法,能夠融合評論文本的句法特征,有效解決多義詞的向量表示問題。在觀點詞抽取任務(wù)中,fastELMo結(jié)合雙向LSTM的網(wǎng)絡(luò)結(jié)構(gòu)相比其它實驗?zāi)Ｐ驮诟黜椩u價指標(biāo)上提升均超過1%。觀點詞基于文本相似度算法劃分到具體觀點維度,論文在相似度計算中創(chuàng)新性地引入最大邊界相關(guān)算法思想,使維...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-12016.6-2019.6網(wǎng)上外賣用戶規(guī)模及使用率[1]

第一章緒論第一章緒論1.1研究工作的背景與意義近年來，由于信息技術(shù)的快速發(fā)展和個人電腦、手機(jī)等網(wǎng)絡(luò)設(shè)備的快速普及，依賴互聯(lián)網(wǎng)的生活模式逐漸在人們的心中扎根，與日常生活越來越密不可分，例如網(wǎng)上購物、外賣配送、網(wǎng)上看房等的廣泛使用。2019年8月30日中國互聯(lián)網(wǎng)信息中心（CNNIC）....

圖2-1神經(jīng)網(wǎng)絡(luò)語言模型NNLM基于詞向量的固定表示

電子科技大學(xué)碩士學(xué)位論文圖2-1神經(jīng)網(wǎng)絡(luò)語言模型NNLM2.3.2基于詞向量的固定表示自然語言處理領(lǐng)域著名的“分布式假設(shè)”，其原理就是相同的上下文語境的詞有著相似的含義，在此基礎(chǔ)上也衍生出了很多詞向量模型。詞向量的固定表示，即每個詞所對應(yīng)的詞向量是固定的，一成不變的，同一個單詞即....

圖2-2CBOW與Skip-gram網(wǎng)絡(luò)結(jié)構(gòu)[47]

第二章觀點挖掘相關(guān)理論及技術(shù)圖2-2CBOW與Skip-gram網(wǎng)絡(luò)結(jié)構(gòu)[47]Word2vec從本質(zhì)上是基于局部語料訓(xùn)練的，即在訓(xùn)練時每個單詞只與固定滑窗大小內(nèi)的上下文有關(guān)。GloVe（GlobalVectorsforWordRepresentation）則是基于全局語料，統(tǒng)計....

圖2-3ELMo預(yù)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)

?淮識嘁逶謐勻揮镅源?砹煊虺晌?艘桓霰冉涎現(xiàn)氐奈侍�。�?對上述問題，本節(jié)將介紹幾種基于詞向量的動態(tài)表示方案。（1）ELMoELMo（EmbeddingfromLanguageModels）[48]，其本質(zhì)思想是根據(jù)上下文對訓(xùn)練的詞向量進(jìn)行動態(tài)的調(diào)整。ELMo采用了典型的兩階段訓(xùn)練....

本文編號：3985421