基于深度学习的情感分类系统的研究与实现

发布时间：2024-05-22 21:21

　　随着互联网和Web2.0的日益发展,用户生成内容(User Generated Content,UGC)层出不穷,UGC往往包含了用户的情感喜好和主观意见,针对UGC的情感分析任务逐渐体现出巨大的学术意义和商业价值。基于此,本文针对UGC的情感分类问题进行了研究与实现。本文主要针对UGC短文本进行情感分析研究,通过考察UGC短文本情感分析的国内外研究现状,并结合当前机器学习和深度学习领域的前沿技术,对深度学习模型的可解释性进行了探索,目标是通过句子的情感分类来提取句子中词语的情感信息,并提高UGC短文本的情感分类准确率。本文所做的工作主要包含以下几个部分:(1)本文在卷积神经网络(CNN)的基础上,提出了“词粒度CNN”情感模型,增加了词粒度情感倾向的计算,并通过实验验证了该模型的有效性,同时对词粒度CNN模型提取的情感词实现了可视化。(2)本文分析并研究了UGC短文本的特点,在神经词袋模型(NBOW)的基础上,提出了基于N-gram的神经词袋模型(NBOWN)。同时,针对引入N-gram导致NBOWN模型存在特征稀疏性的问题,本文提出了“Gram注意力机制”进行了模型优化,并根据文本...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本课题研究工作
    1.4 论文结构说明
第二章 相关理论基础
    2.1 文本表示
    2.2 基于机器学习的分类算法
    2.3 基于深度学习的分类算法
        2.3.1 多层感知机
        2.3.2 卷积神经网络
        2.3.3 循环神经网络
        2.3.4 LSTM网络
        2.3.5 注意力机制
第三章 词粒度CNN模型构建和情感分析研究
    3.1 词粒度CNN模型
        3.1.1 词粒度CNN模型结构
        3.1.2 词粒度情感计算
        3.1.3 词粒度CNN模型训练
    3.2 实验与分析
        3.2.1 数据集
        3.2.2 实验设置
        3.2.3 实验结果与分析
    3.3 本章小结
第四章 基于N-gram的NBOWN情感分析模型构建
    4.1 NBOWN情感模型的构建
        4.1.1 基于词向量的NBOW模型
        4.1.2 基于N-gram的NBOWN模型
        4.1.3 Gram注意力机制
        4.1.4 NBOWN模型结构
        4.1.5 词粒度情感计算
        4.1.6 NBOWN模型的训练
    4.2 实验与分析
        4.2.1 数据集
        4.2.2 实验设置
        4.2.3 实验结果与分析
    4.3 本章小结
第五章 基于CNN和NBOWN的情感分析系统
    5.1 前端展示界面
    5.2 后台数据处理
    5.3 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 未来展望
参考文献
致谢
作者攻读学位期间发表的学术论文目录



本文编号：3980555