發(fā)布時間：2024-12-25 23:55

　　近年來伴隨互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,尤其是移動互聯(lián)網(wǎng)技術(shù)的發(fā)展,網(wǎng)民可以隨時隨地通過豐富且便捷的途徑發(fā)表自己對時政熱點(diǎn)事件的觀點(diǎn)看法。同時,互聯(lián)網(wǎng)上的文本數(shù)據(jù)也呈現(xiàn)了井噴式地增長,面對如此龐大的文本數(shù)據(jù),如何通過挖掘網(wǎng)民對熱點(diǎn)事件的情感態(tài)度并且提取有價值的關(guān)鍵信息,進(jìn)而對輿情進(jìn)行正確的引導(dǎo)是目前亟待解決的問題。對文本數(shù)據(jù)進(jìn)行情感分類并從不同的情感類別中挖掘關(guān)鍵信息能夠有效地解決這一問題。因此,文本情感分類技術(shù)和關(guān)鍵信息提取技術(shù)被廣泛地應(yīng)用在電子商務(wù)、電子政務(wù)、信息管理等領(lǐng)域。目前,較為成熟的文本情感分類技術(shù)主要針對的是英文文本,針對中文文本情感分類的技術(shù)相對不夠成熟。相較于英文文本,中文文本在語法結(jié)構(gòu)、語義內(nèi)容等方面具有較大的差異,所以不能直接將針對英文文本的情感分類技術(shù)直接應(yīng)用于中文文本。因此,本文結(jié)合中文文本特征利用神經(jīng)網(wǎng)絡(luò)的方法對中文文本進(jìn)行情感分類研究。當(dāng)前,研究學(xué)者主要將文本情感分為正向和負(fù)向兩大類,然而這種分類較為粗略,不能分析文本中包含更深層的情感傾向,因此,本文對正向和負(fù)向情感大類進(jìn)行了更深層的情感小類劃分,分別構(gòu)建了大類情感分類模型以及小類情感分類模型。另一方面,研究學(xué)者對...

【文章頁數(shù)】：92 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.9各類情感文本數(shù)量占比可以發(fā)現(xiàn)，數(shù)據(jù)集中不同情感類型的文本比例差異很大

據(jù)集共包含了8類情感，每類情感對應(yīng)的文本數(shù)量在所有數(shù)據(jù)中所占比例如圖3.9所示。圖3.9各類情感文本數(shù)量占比可以發(fā)現(xiàn)，數(shù)據(jù)集中不同情感類型的文本比例差異很大。其中，無明顯情感極性的文本占了全部文本數(shù)量的67.93%，而“恐懼”這個類別只占了全部文本數(shù)量中的0.6%。當(dāng)....

圖3.10網(wǎng)絡(luò)訓(xùn)練過程損失圖

進(jìn)一步，在接下來的實(shí)驗中，本文將網(wǎng)絡(luò)末層全連接層的L2正則化系數(shù)設(shè)置為0.2。圖3.10網(wǎng)絡(luò)訓(xùn)練過程損失圖44

圖3.11交叉熵?fù)p失和多級情感分類損失的混淆矩陣

這樣會降低情感分類的準(zhǔn)確率。同時，通過引入多級情感分類損失，使得正向和負(fù)向之間區(qū)分度更高，也使得最終的情感分類結(jié)果更加準(zhǔn)確。圖3.11交叉熵?fù)p失和多級情感分類損失的混淆矩陣3.4本章小結(jié)文本中包含的情感信息能夠通過不同層次的內(nèi)容進(jìn)行傳遞，文本中的詞語、短語和句子都能夠從不同層....

圖5.2微博爬蟲界面

本文從新浪微博抓取了2017年上半年關(guān)于“一帶一路”的微博，同時作為接下來分析的語料庫。圖5.2微博爬蟲界面5.2實(shí)驗設(shè)計本節(jié)通過對微博平臺上“一帶一路”的相關(guān)內(nèi)容進(jìn)行分析，從而驗證本文方法的效果。“一帶一路”是“絲綢之路經(jīng)濟(jì)帶”和“21世紀(jì)海上絲綢之路”的簡稱，是中....

本文編號：4020201