导读:本文包含了情感倾向性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）
廖小琴,徐杨[2]（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）
司新红,王勇[3]（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[4]（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[5]（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）
庞承杰[6]（2019）在《基于深度记忆网络的舆论情感倾向性研究》一文中研究指出传统的舆情分析技术经过多年的深入研究,已经成为非常成熟的落地应用,利用设置关键字和文法过滤规则,已经取得可靠的性能,为政府的民情调查、社会的舆论监督、企业的产品市场调研,甚至个人的购物建议方面都有重要作用。但是,随着网络文化的迅速迭代更新以及针对政经领域的大量反讽和隐含情绪出现,传统舆情分析往往信息滞后,从而导致漏报、虚警频发,人工审核压力增大等一系列问题。在人工智能以及自然语言处理飞速发展时代,这种能够识别反讽或者隐含情绪的需求更具有研究价值。针对传统网络舆情分析受到网络文化和隐含情绪影响的问题,本文提出一种行之有效的模型算法:1)首先研究了一种基于深度记忆网络的方法,用于解决舆情分析中的情感识别问题。在此网络模型中加以辅助序列改进,以求挖掘隐含情绪倾向。实验结果表明该方法模型可以较为有效的解决隐含情绪,提高预测结果的置信度。2)然后借鉴词向量机制,对样本中的表情符号(Emoji)做了监督预训练,对Emoji表情建立特征向量,通过向量拼接与文本特征向量融合,形成最终的预测输入,从而设计分类器,得到基于统计模型的预测结果。其后在IMDB数据集上二分类,相对于经典深度记忆网络84.6%的精确度,以辅助序列改进后的模型得到88.2%的分类准确度,从而验证对深度记忆网络模型加以改进理论的科学性和可行性。3)接着考虑到舆情分析系统对关键字和文法规则的必然依赖性,充分利用褒贬词典、否定词典、程度副词词典以及文法规则匹配,将预测结果概率通过自适应阈值加以约束微调;同时探索式地引入字典在线扩充机制。实验结果表明该方法可以修正统计模型出来的置信度不高的预测结果,并且实现了小规模有利于情感分类的特殊词的扩充。同时抓取包含隐含情绪的中文数据集,在其上得到90.7%左右的精确度,验证了该方法应用在舆情分析系统的有效性。4)最终构建了一个能够较好实现网络舆情抓取、隐含情绪倾向识别和分析结果可视化的系统。(本文来源于《北方工业大学》期刊2019-05-06）
刘思佳[7]（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）
裴颂文,王露露[8]（2019）在《基于注意力机制的文本情感倾向性研究》一文中研究指出社交媒体上短文本情感倾向性分析作为情感分析的一个重要分支,受到越来越多研究人员的关注。为了改善短文本特定目标情感分类准确率,提出了词性注意力机制和LSTM相结合的网络模型PAT-LSTM。将文本和特定目标映射为一定阈值范围内的向量,同时用词性标注处理句子中的每个词,文本向量、词性标注向量和特定目标向量作为模型的输入。PAT-LSTM可以充分挖掘句子中的情感目标词和情感极性词之间的关系,不需要对句子进行句法分析,且不依赖情感词典等外部知识。在SemEval2014-Task4数据集上的实验结果表明,在基于注意力机制的情感分类问题上,PAT-LSTM比其他模型具有更高的准确率。(本文来源于《计算机工程与科学》期刊2019年02期）
程艳,叶子铭,王明文,张强,张光河[9]（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）
唐利[10]（2018）在《网络电影评论的情感倾向性分类研究》一文中研究指出足不出户看电影俨然成为一种流行。一方面不受时间和空间的约束、方便快捷;另一方面可在观影之余进行评论,发布个人看法及感受。由于电影评论褒贬不一,情感倾向不同,对这些数据进行挖掘分析,使之成为有效数据而作为其他用户成为观影者的依据,同时帮助企业、电影网站更好地了解观众的需求,为今后电影制作或投放做出更合理的决策。本研究作为电影行业的辅助决策手段,有良好的应用实践意义与商业价值。(本文来源于《遵义师范学院学报》期刊2018年06期）
情感倾向性论文开题报告
（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。
（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].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
[3].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
[4].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
[5].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
[6].庞承杰.基于深度记忆网络的舆论情感倾向性研究[D].北方工业大学.2019
[7].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
[8].裴颂文,王露露.基于注意力机制的文本情感倾向性研究[J].计算机工程与科学.2019
[9].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
[10].唐利.网络电影评论的情感倾向性分类研究[J].遵义师范学院学报.2018