导读:本文包含了情感倾向性分析论文开题报告文献综述及选题提纲参考文献，主要关键词:词向量,新词发现,情感词,倾向性分析
情感倾向性分析论文文献综述
杨政,易绵竹[1]（2019）在《基于词向量的中文新词情感倾向性分析》一文中研究指出为更具体表义社会新词的情感含义及其倾向性,该文提出了一种基于词向量的新词情感倾向性分析方法.在信息时代不断发展变化中,由于语言应用场景不断发展变化以及扩展语义表达的丰富性,网络上不断出现很多表达情感的新词,但是这些新词的表达虽有丰富的含义但缺乏准确的定义,因此对其情感倾向性分析具有一定困难.该文在分析了新词发现方法和词向量训练工具Word2Vec的基础上,研究了基于Word2Vec的情感词新词倾向性分析方法的可行性和架构设计,并面向微博语料进行实验,结果显示新词可以从与其相近的词中分析其情感倾向.(本文来源于《计算机系统应用》期刊2019年10期）
司新红,王勇[2]（2019）在《CNN结合BLSTM的短文本情感倾向性分析》一文中研究指出情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络(CNN)和双向长短时记忆网络(BLSTM)进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。(本文来源于《软件导刊》期刊2019年11期）
孙承爱,丁宇,田刚[3]（2019）在《基于GLU-CNN和Attention-BiLSTM的神经网络情感倾向性分析》一文中研究指出情感分析是自然语言处理领域(NLP)中重要的语义处理任务,目前处理NLP任务的两大主流模型是卷积神经网络(CNN)和循环神经网络(RNN)以及他们的变体。由于自然语言在结构上存在依赖关系,且重要信息可能出现在句子的任何位置。RNN可能会忽略为了解决这些问题,我们提出了一种新的模型ABGC,将Attention机制加入到BiLSTM中,可以更好捕获句子中最重要的局部信息,同时融合添加GLU(非线性单元)的卷积神经网络(CNN),可以更好捕捉文本的全局信息,然后将两种模型提取到的特征融合,既有效避免了LSTM的梯度消失问题,又解决了CNN忽略上下文语义的问题。我们在两种数据集上进行对比实验,实验结果表明ABGC模型可以有效提高文本分类准确率,同时减少运行时间。(本文来源于《软件》期刊2019年07期）
李德源[4]（2019）在《电商在线评论的文本情感倾向性分析》一文中研究指出近年来电子商务的发展极大带动了人们通过互联网购物的热情,从搜索发现、浏览商品详情、加到购物车、付款、收货到产生购物评论的整个过程,都可以足不出户地完成。其中商品评论也成为消费者在选购商品时的重要参考内容之一,因为已生成的评论可以使消费者从商家、广告之外的角度,更全面地了解商品是否值得购买。同样的,制造商、电子商务平台也需要密切关注消费者的发声,以及时调整商品设计或营销策略,来更好地服务消费者,同时达到利益最大化。本文以此为出发点,对京东电商平台手机的4000条评论进行数据获取、清洗、提取产品特征词与情感词、叁元组文本向量化及SVM情感分类这一系列过程形成PROST模型,实现了提取消费者对商品最关注的特征和其相应情感倾向的提取,并通过新模型与传统方法的对比,得出了新的方法优于传统方法的结论,为电商在线评论文本情感倾向性分析提供了一种简便可行的操作方法。本文主要书写思路分为以下几部分:第一部分主要为绪论以及基础理论知识,介绍了本文的研究背景、研究意义,对国内外文本情感倾向性分析进展做了概括,并梳理了本文的研究内容、研究方法和使用的技术路线以及创新点。第二部分介绍了四个理论支撑,分别是电子商务相关理论、情感分析相关理论、文本分析相关理论、电商在线评论文本情感倾向性分析概述。第叁部分介绍了文本获取与预处理,系统阐述了文本的分词方法、词性标注、句法依存关系。第四部分介绍常见的特征向量化方法和情感分析模型,强调了文本向量化的必要性和重要性,选取了能够获取词间关系的CBOW模型来对文本进行向量化。第五部分为实验过程及结果对比分析,将实验过程的文本数据获取、清洗,到分词以及利用依存句法关系提取叁元组并进行连续词袋模型向量化、分类器分类。得到的实验结果与四种传统方法进行对比分析,得出新模型各方面性能优于传统模型的结论。第六部分为总结与展望,对本文提供的PROST的模型利弊进行讨论分析,并提出今后的研究方向。(本文来源于《吉林大学》期刊2019-06-01）
刘思佳[5]（2019）在《基于多种自然语言的商品评论情感倾向性分析系统》一文中研究指出互联网时代的商品情感倾向性分析,就是构建评论信息的数据库,在数据库中对这些信息进行有效的分析和挖掘,辨别识其情感趋向,着重点在于顾客的态度是"赞成"还是"反对",并且经过一段时间的完整分析可以最大程度的看出顾客情感变化的规律。通过多种自然语言技术的应用,本系统可以从大量商品评论文章中自动识别出情感语句以及分析出相应评价对象的倾向性结果,大大节省了人力、物力和时间。通过分析得到的数据,我们可以针对性的满足用户的需求,同时在企业、政府等机构的决策中可以提供重要的依据。(本文来源于《数码世界》期刊2019年04期）
程艳,叶子铭,王明文,张强,张光河[6]（2019）在《融合卷积神经网络与层次化注意力网络的中文文本情感倾向性分析》一文中研究指出文本情感倾向性分析是自然语言处理研究领域的一个基础问题。基于深度学习的模型是处理此问题的常用模型。而当前的多数深度学习模型在中文文本情感倾向性分析方面的应用存在两个问题:一是未能充分考虑到文本的层次化结构对情感倾向性判定的重要作用,二是传统的分词技术在处理文本时会产生歧义。该文针对这些问题基于卷积神经网络与层次化注意力网络的优点提出了一种深度学习模型C-HAN(Convolutional Neural Network-based and Hierarchical Attention Network-based Chinese Sentiment Classification Model),先用并行化卷积层学习词向量间的联系与组合形式,再将其结果输入到基本单元为双向循环神经网络的层次化注意力网络中判定情感倾向。实验表明:模型在中文评论数据集上倾向性分类准确率达到92.34%,和现有多个情感分析模型相比有所提升;此外,对于中文文本,选择使用字级别词向量作为原始特征会优于词级别词向量作为原始特征。(本文来源于《中文信息学报》期刊2019年01期）
钮成明,詹国华,李志华[7]（2018）在《基于深度神经网络的微博文本情感倾向性分析》一文中研究指出随着新型社交媒体的发展,作为传播网络舆论的重要媒介,微博已然成为挖掘民意的平台.自然语言处理技术可以从微博文本中提取有效情感信息,为网络舆情监控、预测潜在问题及产品分析等提供科学的决策依据.为了克服现有的浅层学习算法对复杂函数表示能力有限的问题,本文尝试融合深度学习的思想,提出基于Word2Vec和针对长短时记忆网络改进的循环神经网络的方法进行中文微博情感分析.在两万多条中文标注语料上进行训练实验,实验数据与SVM、RNN、CNN作对比,对比结果证明,本文提出的情感分析模型准确率达到了91.96%,可以有效提高微博文本情感分类的正确率.(本文来源于《计算机系统应用》期刊2018年11期）
马子洲[8]（2018）在《基于改良SO-PMI算法的在线评论情感倾向性分析研究》一文中研究指出情感是人类所具有的一种特殊的属性。本文研究的内容就是电子商务环境下用户评论文本中的情感分析。评论可以反映出用户使用商品的感受,用户可以表达赞赏也可以宣泄不满。因此,评论是其他用户购买同产品的一种主要参考。但是由于购物者数量众多且文化水平各异,难以对大量的在线评论准确分类,给用户的浏览造成不便。因此引入情感分析方法从情感倾向性入手,对评论进行分类优化,提高用户通过评论判断产品好坏的效率,以便用户高效准确的确定所需商品。本文以用户购买手机的评论作为研究范例,使用情感分析方法判断评论的情感倾向。第一步构造面向手机领域准确全面的情感词典,使用改良后的SO-PMI算法扩充情感词典,进一步,基于情感词典,对情感词及其他类别的词进行相应的计算,判断出评论的情感倾向性,并对其进行分类。主要研究内容总结如下:(1)基础情感词典合并以及修饰性词典整理。在基于情感词典的情感分析中,由于传统单个情感词典在词汇量、版本等方面的限制,对特定领域评论的情感分析效果较差,因此通过搜集整理,选择了知网情感词典、台湾大学情感词典和清华大学李军中文褒贬义词典进行合并,这样就得到了通用基础情感词典,由于本文的特定对象为手机,还添加了手机相关情感词典。并且搜集整理了修饰性词典,具体包括否定词词典、程度副词词典和关联词词典。(2)情感词典扩充。手机评论中还包含着基础情感词典中未添加的词,影响情感分析的效果,要对含有新词的手机评论进行情感倾向性判断,还需要对情感词典进行扩充。为此,本文使用了改良的SO-PMI算法对情感词典进行了扩充。主要改良工作包括:1.使用TF-IDF算法对基准词的选择进行了优化。2.基于多项式贝叶斯(MultinomiaNB)分类器确定出最佳分类维度,然后使用卡方统计量进行候选情感词的提取。(3)手机在线评论情感分类实验。在综合考虑购物平台数据量、口碑、产品的质量后,选择爬取京东网上商城手机版块的评论数据。在对评论进行去重、格式转换等处理后,就得到了带有标注的评论,然后基于情感词典对其进行分类测试,结果显示情感分类方法能够有效的对手机在线评论进行倾向性分类。用实验证明了基于改良SO-PMI算法的词典扩充方法的有效性,为情感词典的扩充提供了一种新的思路,经过验证分类的查准率、召回率以及F1值达到了较高水平。最后,根据改良SO-PMI算法的评论分类结果,设计了情感倾向程度对比实验进行二次分类,进一步对正向评论和负向评论进行细分,其中情感倾向性最高的正向评论和负向评论分类准确度最高。(本文来源于《东北财经大学》期刊2018-11-01）
焦凤[9]（2018）在《基于朴素贝叶斯的酒店评论情感倾向性分析》一文中研究指出提出一种基于朴素贝叶斯的面向酒店评论领域的情感分析模型,构建酒店评论领域专用情感词典,使用机器学习的方法训练分类器进行酒店情感分类,得出最受用户关注的酒店特征,进一步挖掘出其中五大主要特征的满意程度。实验结果表明:利用朴素贝叶斯分类器与酒店专属词典、布尔权值计算相结合的方法对酒店评论有较好的分类效果。(本文来源于《现代计算机(专业版)》期刊2018年20期）
曾宇[10]（2018）在《网络评论短文本情感倾向性分析研究》一文中研究指出近年来随着社交媒体和电子商务的快速发展,各大社交网站和电子商务网站不断地产生大量有价值的评论短文本信息。通过有效地分析并判断这些评论短文本的情感倾向不仅可以从中获取重要的关键信息,而且也能够进一步促进电子商务、舆情分析等相关领域的发展。本文首先通过结合情感语料库和现有的情感词典资源构建一个扩展情感词典,然后在此基础上提出一种融合情感贡献度的短文本情感倾向性分析方法,最后设计并实现了一个融合情感贡献度的短文本情感倾向性分析系统。本文所做的主要工作包含情感词典构建、情感倾向性分析、系统实现叁个方面的内容:(1)提出了一种融合类别情感相关度的情感词典构建方法首先,通过整合通用的中文情感词典构建一个基础情感词典,并结合基础情感词典从语料库中选取基准情感词。其次,考虑到文本类别对词语情感倾向性判断的影响,通过结合否定词、词语频数、互信息方法计算候选情感词与文本类别的情感相关度。再次,考虑到基准情感词对词语情感倾向性判断的影响,通过结合基准情感词计算候选情感词与基准情感词的情感相关度。然后,在此基础上实现一种融合类别情感相关度的词语情感倾向判别方法,并将该方法识别出的情感词与基础情感词典合并,从而形成一个扩展情感词典。最后,通过实验验证了该方法在宏平均F1值方面有一定的提升,同时构建的扩展情感词典也具有较好的分类性能。这进一步说明了提出的词语倾向判别方法具有一定的可行性,构建的扩展情感词典具有一定的实用性。(2)提出了一种融合情感贡献度的短文本情感倾向性分析方法首先,考虑到情感词对短文本情感倾向判断的影响,通过结合情感词的类条件概率和情感词的语义贡献权值计算情感词的情感贡献度。其次,考虑到分句对短文本情感倾向判断的影响,通过结合分句的位置信息和其包含的情感词数量计算分句的情感贡献度。再次,考虑到不同情感倾向的情感词数量对短文本情感倾向判断的影响,通过将情感倾向相同的情感词作为一个情感整体,并根据情感词的数量确定情感整体的情感贡献度。然后,在此基础上实现了一种融合情感贡献度的短文本情感倾向性方法。最后,通过实验验证了该方法在宏平均F1值方面有一定的提升,说明了该方法在识别文本倾向性方面具有一定的有效性。(3)设计并实现了一个融合情感贡献度的短文本情感倾向性分析系统该系统可以采集京东商城网站上相关商品最新的评论短文本数据,并且能够从中识别出主观性的评论短文本,然后结合提出的短文本情感倾向性分析方法进一步分析这些主观性评论短文本的情感倾向性,并向用户显示直观的情感倾向性分析结果,以便进一步为用户在购买商品方面提供相关的参考。(本文来源于《山东师范大学》期刊2018-06-10）
情感倾向性分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络(CNN)和双向长短时记忆网络(BLSTM)进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
情感倾向性分析论文参考文献
[1].杨政,易绵竹.基于词向量的中文新词情感倾向性分析[J].计算机系统应用.2019
[2].司新红,王勇.CNN结合BLSTM的短文本情感倾向性分析[J].软件导刊.2019
[3].孙承爱,丁宇,田刚.基于GLU-CNN和Attention-BiLSTM的神经网络情感倾向性分析[J].软件.2019
[4].李德源.电商在线评论的文本情感倾向性分析[D].吉林大学.2019
[5].刘思佳.基于多种自然语言的商品评论情感倾向性分析系统[J].数码世界.2019
[6].程艳,叶子铭,王明文,张强,张光河.融合卷积神经网络与层次化注意力网络的中文文本情感倾向性分析[J].中文信息学报.2019
[7].钮成明,詹国华,李志华.基于深度神经网络的微博文本情感倾向性分析[J].计算机系统应用.2018
[8].马子洲.基于改良SO-PMI算法的在线评论情感倾向性分析研究[D].东北财经大学.2018
[9].焦凤.基于朴素贝叶斯的酒店评论情感倾向性分析[J].现代计算机(专业版).2018
[10].曾宇.网络评论短文本情感倾向性分析研究[D].山东师范大学.2018