属性级情感分类方法研究与实现.docx

本科毕业设计（论文）学院(部)计算机科学与技术学院题目属性级情感分类方法研究与实现年级2014级专业计算机科学与技术班级14级计科班学号1427405067姓名张珍茹指导老师李寿山职称教授论文提交日期2018/5/18苏州大学本科生毕业设计（论文）43目录摘要1Abstract2前言4第一章绪论61.1研究背景及意义61.2论文主要工作71.3本文组织结构8第二章属性级情感分类概述及研究现状92.1属性级情感分类概述92.2情感分类研究现状102.2.1基于规则的情感分类102.2.2基于机器学习的情感分类102.2.3基于深度学习的情感分类112.3本章小结11第三章相关背景知识及深度学习简介123.1文本预处理和表示123.1.1中文分词123.1.2停用词过滤133.1.3词向量143.2深度学习相关知识163.2.1神经元163.2.2神经网络183.2.3循环神经网络203.3本章小结21第四章LSTM和Attention-basedLSTM模型224.1LSTM模型224.1.1LSTM原理224.1.2基于LSTM的属性级情感分类模型274.2Attention-basedLSTM模型284.2.1注意力机制284.2.2基于Attention-basedLSTM的属性级情感分类模型304.3本章小结31第五章实验过程及结果分析335.1实验过程335.1.1数据集345.1.2实验具体设计355.2实验结果和分析365.2.1评价指标365.2.2实验结果和分析375.3本章小结38第六章总结与展望396.1本文总结396.2未来展望39参考文献41致谢43摘要随着互联网和网购蓬勃发展，网络上存在大量非结构化的文本信息，如针对商品的评价等。这些文本中包含的情感倾向给用户、商家提供了一定参考价值，但由于其数量巨大，人工提取、识别、分析较为困难，如何利用计算机自动化解决该问题逐渐成为一个热点研究方向，文本情感分析应运而生。而情感分类则是情感分析最基础也最重要的子任务之一，目的是对文本中包含的情感极性进行区分。情感极性一般可分为正面、负面、中立。传统的情感分类按层次可分为篇章级、段落级和句子级分类，但它们都是揭示了文本的总体情感极性，而文本中可能存在不同的评价对象，对其有不同的情感极性。因此传统的情感分类是一种粗粒度的情感分类，在很多情况下不能将信息最大化。本文提出属性级情感分类，相比传统情感分类更加细粒度，针对文本中的不同属性分别进行情感分析。例如，用户对电子产品的评价中，就涉及多个属性如“电池”、“价格”等，如何从给定实体中，识别出对每个属性的情感极性，即属性级情感分类的任务。这种细粒度的情感分类将大大提高其实用性。随着深度学习的研究与应用，它在自然语言处理领域已发挥出色的效果，因此本文运用神经网络模型，对其在属性级情感分类上的应用进行研究与实现。首先，我们要解决文本如何用数字形式有效表示，并输入到神经网络中进行训练。这里采用了WordEmbedding机制，将词语映射成实数向量，能大大提升模型的性能。由于LSTM模型解决了传统RNN梯度消失的问题，本文将研究其在属性级情感分类上的应用，同时，为了解决标准LSTM的局限性，将深度学习中的注意力机制与LSTM结合起来，设计一种基于注意力机制的LSTM，来捕获不同上下文信息对给定属性的重要性，以此解决属性级情感分类任务。本文利用爬虫程序抓取电子产品领域的评论文本作为训练和测试数据，分别利用LSTM和基于注意力机制的LSTM，构建属性级情感分类模型。实验表明，这两种方法均能较为准确地分类属性级情感，其中基于注意力机制的LSTM表现比LSTM好。关键词：属性级情感分类；LSTM；注意力机制；情感分析；自然语言处理AbstractWiththerapiddevelopmentofInternetandonlineshopping,thereisalotofunstructuredtextinformationontheInternet,suchasthecommentofgoods.Theemotionaltendenciescontainedinthesetextsprovideacertainreferencevalueforusersandbusinesses,butbecauseofthehugenumberofthem,itisdifficulttoextract,identifyandanalyzethemartificially.Howtousecomputerautomationtosolvetheproblemhasgraduallybecomeahotresearchdirection,andthetextemotionalanalysisemerges