發(fā)布時(shí)間：2024-11-03 13:07

　　隨著社交平臺(tái)和電子商務(wù)的不斷發(fā)展,互聯(lián)網(wǎng)用戶(hù)呈現(xiàn)爆炸式增長(zhǎng)趨勢(shì),每天產(chǎn)生海量的文本、音頻、圖片和視頻等數(shù)據(jù),而文本信息數(shù)據(jù)量偏大且雜亂無(wú)章,人工很難進(jìn)行區(qū)分和整理�；ヂ�(lián)網(wǎng)上產(chǎn)生的海量文本數(shù)據(jù)反映著用戶(hù)的觀點(diǎn)和情緒變化,合理有效的從海量文本數(shù)據(jù)中挖掘出其蘊(yùn)含的情感信息變得越來(lái)越重要。因此,隨著Word Embedding將文本數(shù)據(jù)訓(xùn)練為低維稠密向量的發(fā)展,結(jié)合深度神經(jīng)網(wǎng)絡(luò)模型逐漸成為目前文本情感分類(lèi)的主流技術(shù)。本文主要研究?jī)?nèi)容是結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)完成文本情感分類(lèi)任務(wù)。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)卷積操作提取文本特征具有一定的優(yōu)勢(shì),但是卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行情感分類(lèi)時(shí)容易忽略詞的上下文語(yǔ)義信息,造成一詞多義。因此,本文提出了C_BiLSTM（CNN_BiLSTM）模型,將卷積神經(jīng)網(wǎng)絡(luò)提取的局部特征和雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)提取的全局特征進(jìn)行融合。BiLSTM（Bidirectional Long Short-Term Memory,BiLSTM）克服了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失或者梯度爆炸問(wèn)題,同時(shí)BiLSTM從前向和反向2個(gè)方向處理長(zhǎng)距離的上下文,提取帶有上...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

這些任務(wù)對(duì)理論知識(shí)和專(zhuān)業(yè)實(shí)踐能力有更高的要求，往往需要多名學(xué)生相互協(xié)助共同完成，包括文獻(xiàn)查閱、綜述總結(jié)、追蹤(研究)趨勢(shì)、小組討論、搭建原型、學(xué)生宣講等環(huán)節(jié)，最后以陳述報(bào)告和書(shū)面報(bào)告的形式提交，整個(gè)過(guò)程涉及學(xué)生的團(tuán)隊(duì)協(xié)作、邏輯思維、表達(dá)和創(chuàng)新等能力的培養(yǎng)[4]。表1高階任務(wù)內(nèi)容....

及意義現(xiàn)互聯(lián)網(wǎng)的普及率已達(dá)54.3%，網(wǎng)民人數(shù)也急劇增加，超過(guò)人口總出，僅半年時(shí)間，網(wǎng)絡(luò)購(gòu)物，微博，論壇等日常應(yīng)用的使用人也意味著越來(lái)越多的用戶(hù)在網(wǎng)絡(luò)上發(fā)表自己的觀點(diǎn)，積極地參與生了海量的用戶(hù)數(shù)據(jù)。分析這些在線的主觀性用戶(hù)數(shù)據(jù)，可以了一事件或者某一政策的觀點(diǎn)和態(tài)度，無(wú)論是對(duì)個(gè)人....

圖2-1文本情感分析的一般過(guò)程基于詞向量組合模型的文本表示方法，首先通過(guò)Word2vec[詞向量文件。文件中，單個(gè)的詞語(yǔ)是一個(gè)低維向量的形式，可息。文本的表示也可以用詞向量加權(quán)平均的方法，這種方法和V部的結(jié)構(gòu)。隨著深度神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于自然語(yǔ)言處理，使用神結(jié)構(gòu)，進(jìn)而組合詞....

紹標(biāo)準(zhǔn)的LSTM單元。然后，介紹結(jié)情感詞典與注意力機(jī)制的LSTM模型，2]通過(guò)使用一個(gè)特殊的存儲(chǔ)記憶單元可處理任務(wù)中它比RNN有更好的性能。圖示和公式可知，它由輸入門(mén)ti，忘記文本序列12{,,...,}nxxxx，tx表示當(dāng)前STM的輸出。L....

本文編號(hào)：4011321