导读:本文包含了文本情感分类论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,双向长短记忆网络,融合,情感分类
文本情感分类论文文献综述
张翠,周茂杰[1]（2019）在《一种基于CNN与双向LSTM融合的文本情感分类方法》一文中研究指出现在文本情感分类普遍采用深度学习的方法。卷积神经网络可以较好地提取局部特征,但是缺少对上下文的理解。长短记忆网络可以有效记忆较长距离的信息,有较强的全局性。为实现全局特征与局部特征的有效融合,研究了一种融合两种特征的深度学习方法,构建深度学习网络模型。利用互联网中获取的文本作为训练语料及测试语料,在百度开源平台PaddlePaddle上进行实验。实验结果显示,该算法与传统CNN和LSTM模型算法相比,识别的准确率分别提高了2.65和1.87个百分点,说明该模型算法在文本情感分类的性能上有所提高。(本文来源于《计算机时代》期刊2019年12期）
丁建立,苏现帅[2]（2019）在《基于组合式深度学习网络的混合文本情感分类》一文中研究指出针对混合文本语法杂糅,传统语义分析方法不能有效捕获其语义的问题,提出一种结合双语向量的组合式深度学习模型,用于中英混合文本情感分类。将中英混合文本对齐翻译成双语后,采用双语向量表示;利用CNN提取中文向量的局部特征,利用BiLSTM和注意力机制提取英文向量上下文相关的全局特征;将两种互补模型提取的文本特征进行融合,输入到softmax分类器中进行分类。实验结果表明,提出模型有效提升了混合文本分类的准确率。(本文来源于《计算机工程与设计》期刊2019年11期）
张志远,万双双[3]（2019）在《基于ConvLSTM模型的短文本情感分类研究》一文中研究指出CNN在处理短文本情感分类时,使用卷积层抽取局部特征,用最大池化层选取局部特征最大值,易忽略其长期序列特性。该文使用一种新的深度学习模型ConvLSTM,利用长LSTM替代CNN中的最大池化层,以减少局部信息的丢失并捕获句子序列中的长期依赖关系。在IMDB影评数据集和Amazon评论数据集上的实验表明,该模型较CNN和单纯的LSTM在准确率、召回率和F值等方面均有较明显的提高。(本文来源于《现代电子技术》期刊2019年22期）
江明奇,李逸薇,刘欢,李寿山[4]（2019）在《面向问答文本的属性级情感分类研究》一文中研究指出传统情感分析任务的目的是分析整个文本的情感极性,这是一种粗粒度的任务。近年来,随着技术的革新,情感分析任务也在不断细化,研究者们希望能获取关于文本中具体对象的情感极性。文中的研究任务是获取问答文本中关于产品属性的情感极性。针对问答文本的属性级情感分析问题,提出了一种基于注意力机制的方法。首先,将属性信息拼接到答案词向量上;其次,对答案文本和问题文本学习一个LSTM模型;然后,通过注意力机制获得问题文本和答案文本的相关性,并根据相关性的重要程度获取答案文本的整体特征;最后,通过分类器输出最终的整体特征结果。实验结果表明,所提方法优于传统的属性级情感分析方法。(本文来源于《计算机科学》期刊2019年S2期）
梁柯,李健,陈颖雪,刘志钢[5]（2019）在《基于朴素贝叶斯的文本情感分类及实现》一文中研究指出本文利用Python语言,对25 000条英文影评数据进行文本分类。首先利用词袋模型对文本数据进行分类。在此基础上加入Word2Vec建立新的词向量特征,通过精准率和召回率对比前后2种模型的分类效果;最后通过逻辑回归和朴素贝叶斯分类模型的分类效果对照得出研究结论。结果表明:对于英文影评文本分类,在同等条件下,使用Word2Vec构建词向量模型的精准率和召回率比使用bag of Word词袋模型分别高出0.02个百分点和0.026个百分点;在使用Word2Vec的基础上,朴素贝叶斯分类器的精准率和召回率分别高出逻辑回归分类0.027个百分点和0.028个百分点。(本文来源于《智能计算机与应用》期刊2019年05期）
段吉东,刘双荣,马坤,孙润元[6]（2019）在《基于集成学习的文本情感分类方法》一文中研究指出针对自然语言处理的文本情感分类问题,提出一种基于集成学习的文本情感分类方法;基于微博数据的特殊性,首先对微博数据进行分词等预处理,结合词频-逆文档频率(TF-IDF)和奇异值分解(SVD)方法进行特征提取和降维,再通过堆迭泛化(stacking)集成学习的方式进行分类模型融合。结果表明,模型融合对文本情感分析的准确率达到93%,可以有效地判别微博文本的情感极性。(本文来源于《济南大学学报(自然科学版)》期刊2019年06期）
王根生,黄学坚,闵潞[7]（2019）在《多元特征融合的GRU神经网络文本情感分类模型》一文中研究指出传统机器学习文本情感分类算法文本表示维度高、语义丢失、矩阵稀疏、分类模型浅,导致算法泛化能力弱;基于深度学习的文本情感分类算法推崇数据驱动,忽略了对情感已有的先验知识,算法需要大量的训练数据才能获得较好效果.针对这一现象,提出基于词嵌入特征、词情感特征、词权重特征融合的GRU神经网络文本情感分类模型(TMMG):该模型通过Word2vec模型得出低维稠密且包含语义信息的词嵌入特征;根据文本情感表达特点,构造包含六种情感要素的情感字典,依据情感要素字典定量表示情感特征;使用TF-IDF计算词语的权重特征;将前面3类特征融合构造词语融合特征表示,并将文本转换成融合特征序列数据;利用GRU神经网络处理序列化数据的优势,构建情感分类模型TMMG.实验结果发现该模型TMMG相比传统机器学习具有更好的泛化能力,相比其他深度学习算法在较少训练数据量时也能获得较好的分类效果.(本文来源于《小型微型计算机系统》期刊2019年10期）
吴彦文,黄凯,王馨悦,林娴[8]（2019）在《一种融合主题模型的短文本情感分类方法》一文中研究指出构建基于LDA主题模型和LSTM模型构建分类模型,以解决短文本情感分类问题.通过词嵌入法并融合LDA主题模型来扩展评论信息的特征表示方法以解决短文本数据稀疏,特征不明显等问题;引入LSTM构建分类模型,该模型可以记忆长程信息,通过不断学习文本上下文信息来更好地学习文本的特征信息.在评价文本数据集上作对比实验,相较于已有的模型,本文提出的情感分类模型在准确率、召回率、F1值等多个指标上具有更好的表现.(本文来源于《小型微型计算机系统》期刊2019年10期）
廖小琴,徐杨[9]（2019）在《面向BSP-CNN的短文本情感倾向性分类研究》一文中研究指出针对消费短文本评论中的情感倾向性分类问题,提出了一种BSP-CNN混合神经网络模型。模型先使用双向简单循环单元(BiSRU)对数据进行特征表示,再使用逐点卷积神经网络(P-CNN)进一步学习语义特征,并输出情感倾向性分类结果。实验结果表明,与传统的长短期记忆神经网络(LSTM)和卷积神经网络(CNN)相比,BSPCNN混合神经网络模型有效简化了计算,缩短了运行时间,并且在不同大小和不同文本长度的数据集上均能取得更高的F1值。(本文来源于《计算机工程与应用》期刊2019年23期）
张妤,邓廷勇,夏冰[10]（2019）在《基于LS-SVM的中文文本情感分类》一文中研究指出最小二乘支持向量机方法是将支持向量机约束条件中的不等式改为等式,从而将二次规划问题转换为求解简单的线性方程。本文应用最小二乘支持向量机对中文文本进行情感分类,最后通过仿真实验说明该方法的分类效果更优。(本文来源于《科学技术创新》期刊2019年26期）
文本情感分类论文开题报告
（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：
针对混合文本语法杂糅,传统语义分析方法不能有效捕获其语义的问题,提出一种结合双语向量的组合式深度学习模型,用于中英混合文本情感分类。将中英混合文本对齐翻译成双语后,采用双语向量表示;利用CNN提取中文向量的局部特征,利用BiLSTM和注意力机制提取英文向量上下文相关的全局特征;将两种互补模型提取的文本特征进行融合,输入到softmax分类器中进行分类。实验结果表明,提出模型有效提升了混合文本分类的准确率。
（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。
文本情感分类论文参考文献
[1].张翠,周茂杰.一种基于CNN与双向LSTM融合的文本情感分类方法[J].计算机时代.2019
[2].丁建立,苏现帅.基于组合式深度学习网络的混合文本情感分类[J].计算机工程与设计.2019
[3].张志远,万双双.基于ConvLSTM模型的短文本情感分类研究[J].现代电子技术.2019
[4].江明奇,李逸薇,刘欢,李寿山.面向问答文本的属性级情感分类研究[J].计算机科学.2019
[5].梁柯,李健,陈颖雪,刘志钢.基于朴素贝叶斯的文本情感分类及实现[J].智能计算机与应用.2019
[6].段吉东,刘双荣,马坤,孙润元.基于集成学习的文本情感分类方法[J].济南大学学报(自然科学版).2019
[7].王根生,黄学坚,闵潞.多元特征融合的GRU神经网络文本情感分类模型[J].小型微型计算机系统.2019
[8].吴彦文,黄凯,王馨悦,林娴.一种融合主题模型的短文本情感分类方法[J].小型微型计算机系统.2019
[9].廖小琴,徐杨.面向BSP-CNN的短文本情感倾向性分类研究[J].计算机工程与应用.2019
[10].张妤,邓廷勇,夏冰.基于LS-SVM的中文文本情感分类[J].科学技术创新.2019