資源描述：
《基于CNN的中文評(píng)論情感分類研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、學(xué)校代碼：10126學(xué)號(hào)：31609103分類號(hào)：TP391編號(hào)：論文題目基于CNN的中文評(píng)論情感分類研究?jī)?nèi)蒙古大學(xué)學(xué)院：計(jì)算機(jī)學(xué)院專業(yè)：軟件工程研究方向：智能信息處理姓名：劉玉茹指導(dǎo)教師：魏宏喜副教授2018年4月25日內(nèi)蒙古大學(xué)碩士學(xué)位論文基于CNN的中文評(píng)論情感分類研究摘要情感分類是近年來自然語言處理領(lǐng)域的一個(gè)研究熱點(diǎn)，也是文本挖掘的一個(gè)重要分支，受到了越來越多學(xué)者的關(guān)注與研究。隨著各種社交媒體以及電子商務(wù)的發(fā)展，人們開始在社交網(wǎng)絡(luò)上發(fā)表自己的觀點(diǎn)，這些數(shù)據(jù)成為了重要的互聯(lián)網(wǎng)資源。在發(fā)布的海
2、量文本中有熱點(diǎn)事件的評(píng)論，有商品或者服務(wù)的評(píng)論，有電影或者書籍的評(píng)論，這些評(píng)論中的大多數(shù)都帶有明顯的情感傾向。如何從海量文本中挖掘出帶有情緒和喜惡的主觀信息，就是情感分類要做的工作，同時(shí)在商業(yè)領(lǐng)域也有非常廣泛的應(yīng)用前景。近年來，深度學(xué)習(xí)的興起使自然語言處理領(lǐng)域的研究得到了突破，卷積神經(jīng)網(wǎng)絡(luò)在文本分類中得到了廣泛的應(yīng)用。隨著電子商務(wù)的普及，網(wǎng)絡(luò)上出現(xiàn)了越來越多的商品評(píng)論信息，傳統(tǒng)的方法多為基于情感詞典或者機(jī)器學(xué)習(xí)等，這些方法存在數(shù)據(jù)稀疏的問題，且不能挖掘詞與詞之間的深層語義關(guān)系，本文提出了卷積神經(jīng)網(wǎng)
3、絡(luò)模型來解決中文評(píng)論情感分類的問題，并引入了Word2vec詞向量，將每條評(píng)論轉(zhuǎn)化為詞向量表示的矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行情感分類，提高情感分類的準(zhǔn)確率。為了對(duì)比所設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)的性能，本文采用了長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型作為基線方法。通過對(duì)比實(shí)驗(yàn)，卷積神經(jīng)網(wǎng)絡(luò)分類性能優(yōu)于兩種基線方法。實(shí)驗(yàn)結(jié)果表明：卷積神經(jīng)網(wǎng)絡(luò)能夠提取不同維度的特征且性能穩(wěn)定，能夠更好的挖掘出詞向量之間隱藏的情感信息；長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)雖然I基于CNN的中文評(píng)論情感分類研究能夠保存長(zhǎng)期記憶信息，但是在訓(xùn)練過程中會(huì)造成重
4、要信息的丟失，所以其性能不如卷積神經(jīng)網(wǎng)絡(luò)好；而支持向量機(jī)模型忽略了詞與詞之間的語序及語義信息，導(dǎo)致其性能較差。關(guān)鍵詞：情感分類；Word2vec；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)II內(nèi)蒙古大學(xué)碩士學(xué)位論文RESEARCHONCHINESESENTIMENTCLASSIFICATIONBASEDONCNNABSTRACTSentimentclassificationisaresearchhotspotinthefieldofnaturallanguageprocessinginrecent
5、years.Itisalsoanimportantbranchoftextdataminingandhasreceivedmoreandmorescholars'attentionandresearch.Withthedevelopmentofvarioussocialmediaande-commerce,peoplebegantoexpresstheiropinionsonsocialnetworks,andthesedatahavebecomeimportantInternetresource
6、s.Therearecommentsabouthoteventsinthemassivetextspublished,reviewsofgoodsorservices,reviewsofmoviesorbooks,andmostofthesecommentshaveobvioussentimenttendencies.Howtoexcavatethesubjectiveinformationwithemotionsandlikesanddislikesfromavastamountoftextis
7、theworkofemotionclassification.Sentimentclassificationiswidelyappliedinproductanalysisandrecommendations.Inrecentyears,theriseofdeeplearninghasmadeabreakthroughinthefieldofnaturallanguageprocessing,andtheconvolutionneuralnetworkhasbeenwidelyusedintext
8、classification.Withthepopularityofe-commerce,moreandmoreappearedonthenetworkinformationcommentsgoods,morethanthetraditionalmethodsfordictionarybasedonemotion,ormachinelearning,etc.,theseproblemsIII基于CNN的中文評(píng)論情感分類研究datasparsemethod,andcan'tdigth
