基于深度学习的微博热点话题文本情感分析研究

发布时间：2023-05-07 13:58

　　互联网技术的飞速发展造就了众多的网络信息平台,同时也大大降低了人们发布和接收信息的门槛。新浪微博(以下简称微博)是国内主要的舆论平台之一,承载了大量民众发布的信息,这些信息大部分都带有情感倾向,对微博热点话题文本进行处理进而分析、挖掘其中的情感倾向有利于政府单位或企业了解舆情走向,具有社会意义和商业意义。在大数据时代,基于情感词典和传统机器学习的文本情感分析方法显得效率低下,而基于深度学习的文本情感分析方法开始崭露头角,其中卷积神经网络(CNN)和长短时记忆神经网络(LSTM)以其各自的优势在文本情感分析领域成为主流方法。但目前普通的深度学习方法在处理文本任务上也存在着一些问题,例如无法关注到语句中各个词的重要程度和文本词量化表示的单一性等。针对这些问题,本文研究工作如下:1.通过结合CNN和BiLSTM在文本处理方面的优势构建了 ConvBiLSTM模型,该模型在卷积层和池化层能够发挥CNN对于文本语句深层抽象特征的提取优势,在双向长短时记忆网络层能够发挥BiLSTM在兼顾前后文信息的优势。通过实验表明,该模型在本文的数据集上相比CNN、LSTM、BiLSTM等模型在准确率和F1值上...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 引言
    1.1 研究背景和意义
    1.2 文本情感分析国内外研究进展
        1.2.1 基于情感词典的文本情感分析方法研究现状
        1.2.2 基于传统机器学习的文本情感分析方法研究现状
        1.2.3 基于深度学习的文本情感分析方法研究现状
    1.3 本文主要研究内容
    1.4 本文的组织结构
第2章 相关理论概述
    2.1 文本情感分析相关问题概述
        2.1.1 文本预处理
        2.1.2 文本向量化
        2.1.3 词向量训练
    2.2 深度学习方法
        2.2.1 卷积神经网络
        2.2.2 循环神经网络
        2.2.3 长短时记忆神经网络
    2.3 本章小结
第3章 基于ConvBiLSTM的文本情感分析模型
    3.1 ConvBiLSTM模型结构
        3.1.1 融合词性特征的输入层
        3.1.2 卷积层
        3.1.3 池化层
        3.1.4 BiLSTM层
        3.1.5 全连接层与输出层
    3.2 实验设计与分析
        3.2.1 实验软硬件环境
        3.2.2 实验流程
        3.2.3 实验数据
        3.2.4 实验评价指标
        3.2.5 参数对比实验
        3.2.6 模型对比实验
    3.3 本章小结
第4章 引入Attention机制的文本情感分析模型
    4.1 Attention机制
    4.2 引入自注意力机制的ConvBiLSTM-SA模型
    4.3 实验设计与分析
        4.3.1 实验数据与评价指标
        4.3.2 Word2vec与GloVe对比实验
        4.3.3 模型对比实验
    4.4 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
致谢
参考文献



本文编号：3810706