导读:本文包含了极性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:句法向量,情感向量,动态池化,注意力模型
极性分类论文文献综述
杜梦豪,黄文明,孙晓洁,邓珍荣[1](2019)在《基于动态池化和注意力的文本情感极性分类》一文中研究指出为提取到评论文本的深层次特征和关联特征,设计一种基于动态池化和注意力机制的情感极性分类方法。学习评论文本的两种表示向量,即情感向量和句法向量;将基于滑动窗口的注意力机制和卷积层相结合,采用该模型获取到包含文本上下文的关联特征向量,实现向量之间的信息融合,解决向量特征表示无关的问题;基于动态池化层和注意力机制对特征重新加权,提取文本更高层次的抽象特征,其中,多次的动态池化操作学习到文本的深层次特征;采用softmax分类方法进行情感极性分类。实验结果表明,根据准确率、召回率和F值等衡量指标,基于动态池化和注意力机制的特征提取模型性能比普通的卷积神经网络和基于单注意力机制的卷积神经网络有明显的提高。(本文来源于《计算机工程与设计》期刊2019年04期)
朱军,刘嘉勇,张腾飞,邱利茂[2](2018)在《基于情感词典和集成学习的情感极性分类方法》一文中研究指出当前情感极性分析时使用机器学习方法进行褒贬分析需要完备的语料库,但对特定领域的语料库构建困难,而只使用情感词典的分类方法准确率低。针对以上缺点提出了一种改进的机器学习方法和情感词典结合的集成学习情感极性分类方法。首先,使用Word2Vec特征提取方法将每条评论表示成固定维度向量,使用常见的机器学习分类方法进行分类,找出效果最好的分类方法;然后使用基于情感词典的朴素贝叶斯分类方法进行情感极性分类。最后将基于情感词典和集成学习的方法相结合,使用谭松波公开的数据集酒店评论数据进行实验。理论分析和实验表明,使用Word2Vec作为特征提取方法的支持向量机(SVM)分类方法结合基于情感词典的朴素贝叶斯分类方法的集成学习方法可以将积极类的准确率和宏平均分别提高6. 9个百分点和3个百分点,将消极类的召回率和宏平均分别提高8. 8个百分点和5. 1个百分点,有效提升了情感极性分类效果。(本文来源于《计算机应用》期刊2018年S1期)
尹莉,郭璐,李旭芬[3](2018)在《基于引用功能和引用极性的一个引用分类模型研究》一文中研究指出[目的/意义]提出了一种包含引用功能、引用极性、引用功能和极性的属性解释、引用影响力四个维度的引用分类计划,一定程度上解决了基于引用计数的引文分析法中"不考虑施引作者对引用的立场而将所有引用效果视为均等"这一缺陷。[方法/过程]通过提出的分类方案和手工标注的语料库获取引用相关的信息与属性,抽象出目标类;利用语料库对引文功能、极性进行分类训练,形成了关于用途、极性、引用功能和极性的解释叁个维度的引文表征模型;并使用机器学习算法对引文的影响力进行分类。[结果/结论]将复杂的引文结构划分为相对容易实现的目标体,以一个低粒度的维度来实现细粒度的分类,实现了标注引文的足够信息并对其进行描述和分类的功能,并通过实验和相关参数计算对分类计划进行了验证,获得了较为客观的结论。(本文来源于《情报杂志》期刊2018年07期)
汪冉,金忠[4](2019)在《基于极性转移和LSTM的树结构网络与句子分类》一文中研究指出长短期记忆网络(long short term memory,LSTM)是一种能长久储存序列信息的循环神经网络,在语言模型、语音识别、机器翻译等领域都得到了广泛的应用。首先研究了前人如何将LSTM中的记忆模块拓展到语法树得到LSTM树结构网络模型,以获取和储存句子深层次的语义结构信息;然后针对句子词语间的极性转移在LSTM树结构网络模型中添加了极性转移信息而提出了极性转移LSTM树结构网络模型,更好地获取情感信息来进行句子分类。实验表明在Stanford sentiment tree-bank数据集上,提出的极性转移LSTM树结构网络模型的句子分类效果优于LSTM、递归神经网络等模型。(本文来源于《计算机应用研究》期刊2019年01期)
田竹[5](2017)在《基于深度特征提取的文本情感极性分类研究》一文中研究指出随着微博、论坛、知乎、豆瓣等社交媒体的发展,人们在网络上行为往往已经不再局限于信息的浏览,越来越多的人开始在社交网络上表达自己的观点、分享知识、创作内容,这也成为了互联网资源的一部分。网友发布的海量内容中既包括很多对热点事件的评论,也包括对特定商品的评价,它们中的大部分文字都带有明显情感倾向的信息。如何从这些海量的、非结构化的数据中挖掘出有效的、易于分析的结构性信息,就是情感分析的主要任务。情感分析在业界广泛被应用于产品分析、商品推荐等方面,甚至可以应用股票价格趋势的预测,具有很大的商业价值。而对于政府部门来说,情感分析更是舆情监测、民意调研、危机管理的重要基础技术。传统的文本情感分析方法依靠复杂的特征工程,需要耗费大量的人力进行特征构建和筛选,应用领域或者随着时间的推移,如果语言习惯发生变化,则又需要重新选择特征,不具有普适性。近年来,深度学习在自然语言处理的各种应用中得到了广泛的关注,本文在总结传统基于情感词典的情感分析方法和目前已有的可用于情感分析的深度学习方法的基础上,针对存在的问题,建立了两种深度学习模型:一是结合了空间递归网络(RecursiveNeuralNetworks,RSNN)和具有记忆能力的GRU单元(Gated Recurrent Units)的RSGRU网络,模型不仅能够表示文本的上下文信息,也能利用语法结构信息。将RSGRU 网络模型应用在语句级情感分析任务上,相较于目前应用比较多的长短时记忆神经网络模型(Long-ShortTermMemory,LSTM)和卷积神经网络等模型,在文本情感极性分类任务上有了一定的性能的提升。二是结合了卷积神经网络和双向GRU网络的CNN-BGRU模型,并将该模型应用于篇章级的文本情感分析中。卷积神经网络在局部特征提取方面表现更好、更适合于对句子进行建模,而双向GRU更实用于表达序列信息进行,本文将这两种模型结合,在情感极性分类问题上相对于普通的卷积神经网络等其他模型取得了较好的效果,且与传统方法相比不需人工进行特征提取,在实际应用中可以节约大量人力,且更加容易维护。(本文来源于《山东大学》期刊2017-05-14)
牟兴[6](2017)在《基于中文微博的电影评论情感极性分类及舆论演化分析》一文中研究指出随着Web2.0时代的到来,互联网技术得到了飞速的发展,在这过程中出现了许多网络社交平台,例如国内外的新浪微博、腾讯微博、Twitter、FaceBook等,然而正是由于这些社交网络的出现,不仅丰富了人们的生活并且也改变了人们的生活方式。微博由于其强大的影响力和渗透力,越来越多的人喜欢在微博上发表电影评论。微博中的电影评论是用户对电影好坏的一种实时的表达方式,以此来展示自己对于该电影的整体感受,对这些评论信息进行情感极性分类和整体评价的舆论演化分析,不仅有助于人们对于电影的整体把握,以此来选择自己喜欢的符合自己口味的电影,同时也有利于制片商及时获取大众关于电影的整体舆论倾向,从而去调整相应的营销策略以此引导电影舆论的走向,建立好的口碑,以此能提高电影的票房成绩。并且微博中的电影评论每天更新量大,及时性强,对于电影营销来说,具有重要的价值。微博中的电影评论与传统的电影评论有很大的不同,微博中的电影评论主题比较多,字数少,数据稀疏,而且语言比较随意,情感表达也多样化,与传统的电影评论有很大的不同。因此,本文根据微博电影评论的这些特点,对其情感极性分类以及评价主题进行了相关研究,研究内容如下:(1)本文提出了一种改进的PMI-IR模型来对中文微博的电影评论进行情感极性分类,这种改进的模型本文称为PMI-IR-II。本文主要从以下叁个方面进行了改进:首先,在对短语模式的提取上,本文提出了一种新模式的短语提取,来更加适应微博文本的特点。然后,在对参考词的选取上,本文人工选择了6个在电影评论领域出现频率较高且具有明显的情感倾向的词作为情感参考词,选多个参考词是为了消除单一参考词可能带来的误差。最后,本文考虑到微博的特点以及中文语言的特点,探索了在程度副词、否定句、转折连词、比较句、疑问句等中文语言环境下,对短语的情感值进行了修正,最后利用计算评论文本的修正后的平均情感值来判断电影评论的情感极性。(2)微博电影评论的舆论演化分析,本章节主要是从全局分析微博电影评论的情感极性及主题,针对的是一部电影的不同时间段的评论。文章首先提出了一种改进的情感主题模型,本文称为BJST(Biterm joint sentiment/topic),该模型是对情感主题模型JST(Joint sentiment/topic)的改进,在JST的基础上引入了词对的概念,来缓解短文本的稀疏性以及加强了对一词多义的理解。然后对不同时间段的微博电影评论进行BJST建模,对提取出的主题计算主题强度和主题相似度,最后做出主题强度和主题情感在不同时间片上的变化图。该方法能在不同时间序列上同时分析出主题和情感,并可以根据时间预测各个主题在时间上的主题强度和情感的变化趋势,以此来判断电影的舆论演化趋势。(本文来源于《西华大学》期刊2017-05-01)
宋佳颖[7](2016)在《基于机器学习的汉语情感极性分类方法研究》一文中研究指出随着Web2.0逐渐走向成熟,网络中出现了大量的用户生成意见文本,意见挖掘因此而成为自然语言处理领域的一个研究热点。作为意见挖掘研究的关键问题之一,情感极性分类的目的是判定意见文本表达的情感倾向性为正向或负向。本文面向产品评论,在机器学习框架下从情感词典扩展、意见复述生成以及情感极性分类特征选择与表示等叁个方面探索汉语情感极性分类问题。具体如下:1.领域相关的汉语情感词典扩展:鉴于意见本文中广泛存在动态极性评价表达,本文以属性-评价对作为领域情感词典的基本词条。首先,根据有标注文本中的意见要素构建种子词典。然后,有监督地抽取未标注文本中的意见要素信息,通过统计得到的共现频率和词间距离将意见要素匹配为属性-评价对。最后,利用改进的PolarityRank算法预测词条的极性完成词典扩展。实验结果在领域文本的情感分类中验证了情感词典的适用性。2.基于多标准评估的情感复述生成:针对大规模意见标注文本比较缺乏的问题,本文提出通过意见复述生成的方法缓解数据稀疏。首先利用语序调整、复述评价短语替换和隐含属性替换生成大量的复述候选。然后,从不同角度设定评估机制对候选进行筛选得到扩展语料。最后,利用复述生成方法同时扩展训练数据和测试数据完成情感极性分类。实验得到的情感分类结果好于复述生成基线方法的情感分类结果,验证了我们提出的复述生成及过滤策略的有效性。3.汉语情感极性分类的特征选择与表示:以特征的选择和表示方法为重点来提高意见文本的情感极性分类性能。本文对多种特征选择方法得到的词语特征、短语特征进行比较,并探究多种特征表示方法。通过多组特征选择方法、特征表示和不同分类模型的结合完成情感极性分类,对比实验结果得到适合意见评论文本情感分类的n-gram特征与特征表示。(本文来源于《黑龙江大学》期刊2016-05-20)
陈伟[8](2016)在《基于特征极性传递的跨领域情感分类方法研究》一文中研究指出随着互联网的快速发展,随之出现了大量的微博、商品评论信息,这些信息往往带有一定的感情色彩,反应了人们对社会、经济等事件的关注;对这些信息进行分析挖掘对消费者、生产者及政府部门显得日益重要。然而这些数据具有数据量大、产生速度快、数据分布差异性大及标签信息大量缺失等特点,给当前的数据挖掘工作带来了巨大的挑战。本文针对在线环境下数据分布差异性大及标签信息大量缺失等问题展开研究并探讨其对于数据量大及产生速快的在线环境的适应性,主要工作如下:(1)首先对跨领域情感分类及数据流挖掘进行了总体的概述,主要包括其发展背景及意义、相关理论、研究现状及在线环境下面临的挑战。(2)针对数据标签信息大量缺失及分布差异性大等问题,提出了一种基于词向量特征聚类的跨领域情感分类方法(PTWE)。该方法利用词向量对数据进行向量化,基于词向量在两个领域的相似性来区分共享特征集与专有特征集并形成特征簇,最后利用共有特征簇进行极性传递。实验表明了方法的有效性。(3)针对在线环境下,已有的数据流分类方法对标签大量缺失及概念漂移适应性较差等问题,提出一种在线跨领域自适应分类方法(SAOC),该方法以一个标记数据块作为起始数据块,提取数据块间的共有特征集,基于特征的相似度进行概念漂移检测,并利用共有特征作为桥梁来进行极性传递。实验表明算法在分类精度上的优越性,尤其在标记信息较少和概念漂移较为频繁时。(本文来源于《合肥工业大学》期刊2016-03-01)
蔡启煌[9](2016)在《细粒度中文网络消费评论情感极性分类方法研究》一文中研究指出近年来,随着电子商务和各种类型互联网互动社区的同步快速发展,网络消费评论信息,形成了具有重要商业价值的大数据集。网络商品评论的情感分析技术能够从主观性文本中识别、抽取相关的倾向性信息,通过特定算法以量化形式描述出文本所表达的主观意见,借此推测出评论者对所购买商品或服务的喜好程度,能够影响消费者的决策行为,对于改进商品特性、精准推送商品信息也具有重要的指导意义。为使情感分析的效用更加精准的作用于某一属性之上,以最大发挥消费评论的商业价值,本文开展网络消费评论分析中情感词与属性词的自动提取算法,以及基于情感词与属性词分析的细粒度网络消费评论情感极性分类方法研究。本文首先利用网络爬虫技术抓取了网络餐饮消费评论作为语料库,借助机器学习、自然语言处理等领域的理论知识,结合中文网络评价语言表达方式的特点,提出一种基于语料的领域情感词库自动构建方法;结合了餐饮评论中情感词与属性词之间的特征分析,提出基于名词+LDA(Latent Dirichlet Allocation)和基于字词间距+LDA+情感词库两种属性词搜寻策略,并对方法和策略的有效性进行了实验验证和实验结果分析;构建情感评价单元,根据情感评价单元进行情感计算,依据计算得分实现细粒度的文本情感分析,将细粒度情感分析结果以图形化层次结构进行了输入显不。通过本文的研究能够进一步提高用户评论情感分析的精确性,并使其在产品或服务改进、消费决策过程中发挥更大的指导作用。(本文来源于《大连海事大学》期刊2016-03-01)
夏明星[10](2016)在《基于情感分析的评论极性分类和电影推荐系统的设计与实现》一文中研究指出随着信息科技的发展,互联网应用逐渐渗透到人们生活中的各个方面。电影作为当代人一种重要娱乐休闲方式,其传播途径也呈现出了多元化的特点。当前移动网络的发展快速,使得人们观看电影的方式有了多种选择,线上电影观看的比重也呈逐渐上升的趋势。如何对网络上的优秀电影进行甄别并进行推荐已经成为当前一个热门研究,电影推荐系统也成为解决这一问题的重要帮手。传统的电影推荐方法主要是利用目标客户的打分记录来找到和他相似的用户,或者利用用户的历史偏好找到top-n个和以往观看过相似的电影来做推荐,这类推荐方法的操作简便,精度较高。缺点也很明显,某些制片方为了利益可能会招募一些人给他们的产品打高分,导致推荐的结果并不可信。这时候观影用户对电影主观的评价内容可以更好的发挥作用,通过评论的分析可更为准确的获取用户对电影的评价。因此,将情感分析引入到电影推荐系统中为推荐系统的发展提供新的思路。现有的情感分析大致分为两类,基于词典的方法和基于机器学习的方法,已有的情感分析算法各有优缺点,导致单一的情感分析方法无法适用于电影推荐系统中,降低了系统的性能。因此,怎样将情感分析与推荐相结合给用户提供直观,准确的电影观看反馈,使推荐结果更符合用户的观影偏好成为系统实现中一个重要问题。本文提出的融合情感词频和主题维数拓展的方法可以对系统中的评论进行自动褒贬分类,使用户直观的了解其他用户的观影反馈,获得真正好评电影分类,将其加入系统中并加入“好评率”公式中实现了热门推荐模块。本文的具体工作如下:1.本文在ASP.NET平台运用C#语言实现了一个电影推荐推荐系统,用户功能包括热门推荐,个性化推荐,高分推荐,评论的极性分类,站内交友等。2.本文提出一种融合情感词频和主题维数拓展的方法,利用主题维度拓展和情感词频进行特征提取,用LIBSVM进行分类,可以得到自动判别的评论的情感极性,使用户通过评论极性分类可以更直观地发现其他用户对某部电影的反馈。基于将融合情感词频和主题维数拓展的方法可以将评论情感信息引入到推荐系统的热门推荐模型中,该方法在豆瓣网站真实数据进行实验,也得到了很好的效果。3.系统在个性化推荐模块中实现了基于内容的推荐算法,通过LDA算法对电影主题提取,联合导演,主演的关键信息进行特征组合,进行余弦相似度计算,根据相似度结果进行推荐,有效的解决了协同过滤中用户评分矩阵稀疏的问题。4.最终实现的电影推荐系统利用本文提出的融合情感词频和主题维数扩展的方法将系统的热门推荐模块模块实现并与基于内容的个性化推荐、高分推荐等方法相结合。叁者协同作用,有效解决了系统的冷启动问题,使得系统对用户具有普遍适应性。另外在系统中添加了管理模块,让管理员可以有效地对后台电影数据进行管理,便于及时更新。(本文来源于《安徽大学》期刊2016-03-01)
极性分类论文开题报告
(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:
当前情感极性分析时使用机器学习方法进行褒贬分析需要完备的语料库,但对特定领域的语料库构建困难,而只使用情感词典的分类方法准确率低。针对以上缺点提出了一种改进的机器学习方法和情感词典结合的集成学习情感极性分类方法。首先,使用Word2Vec特征提取方法将每条评论表示成固定维度向量,使用常见的机器学习分类方法进行分类,找出效果最好的分类方法;然后使用基于情感词典的朴素贝叶斯分类方法进行情感极性分类。最后将基于情感词典和集成学习的方法相结合,使用谭松波公开的数据集酒店评论数据进行实验。理论分析和实验表明,使用Word2Vec作为特征提取方法的支持向量机(SVM)分类方法结合基于情感词典的朴素贝叶斯分类方法的集成学习方法可以将积极类的准确率和宏平均分别提高6. 9个百分点和3个百分点,将消极类的召回率和宏平均分别提高8. 8个百分点和5. 1个百分点,有效提升了情感极性分类效果。
(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。
极性分类论文参考文献
[1].杜梦豪,黄文明,孙晓洁,邓珍荣.基于动态池化和注意力的文本情感极性分类[J].计算机工程与设计.2019
[2].朱军,刘嘉勇,张腾飞,邱利茂.基于情感词典和集成学习的情感极性分类方法[J].计算机应用.2018
[3].尹莉,郭璐,李旭芬.基于引用功能和引用极性的一个引用分类模型研究[J].情报杂志.2018
[4].汪冉,金忠.基于极性转移和LSTM的树结构网络与句子分类[J].计算机应用研究.2019
[5].田竹.基于深度特征提取的文本情感极性分类研究[D].山东大学.2017
[6].牟兴.基于中文微博的电影评论情感极性分类及舆论演化分析[D].西华大学.2017
[7].宋佳颖.基于机器学习的汉语情感极性分类方法研究[D].黑龙江大学.2016
[8].陈伟.基于特征极性传递的跨领域情感分类方法研究[D].合肥工业大学.2016
[9].蔡启煌.细粒度中文网络消费评论情感极性分类方法研究[D].大连海事大学.2016
[10].夏明星.基于情感分析的评论极性分类和电影推荐系统的设计与实现[D].安徽大学.2016