网络文本情感分析方法研究
目录
摘要 (i)
ABSTRACT (ii)
第一章绪论 (1)
1.1研究背景及意义 (1)
1.1.1研究背景 (1)
1.1.2研究意义 (3)
1.2国内外现状 (4)
1.3研究目标及方法 (7)
1.4工作概述 (7)
1.5论文结构 (7)
第二章相关技术研究 (9)
2.1情感分析方法概述 (9)
2.2词向量表征相关技术 (10)
2.3文档级情感分析相关技术 (12)
2.4方面级情感分析相关技术 (13)
第三章文档级情感极性判别方法 (15)
3.1引言 (15)
3.2相关工作 (16)
3.2.1主题模型 (16)
3.2.2循环神经网络语言模型 (18)
3.3基于主题聚类的情感极性判别方法 (19)
3.4实验与结果分析 (20)
3.4.1实验数据集说明 (20)
3.4.2文本预处理过程说明 (20)
3.4.3模型参数的选择 (23)
3.4.4实验结果与分析 (25)
第四章方面级情感极性判别方法 (26)
4.1引言 (26)
4.2相关工作 (26)
4.2.1词性标注 (26)
4.2.3递归神经网络 (29)
4.3对象与情感关联抽取方法 (30)
4.4实验与结果分析 (31)
4.4.1 实验数据集说明 (31)
4.4.2文本预处理过程说明 (31)
4.4.3应用实例展示 (32)
第五章结束语 (34)
5.1工作总结 (34)
5.2工作展望 (35)
致谢 (36)
参考文献 (38)
作者在学期间取得的学术成果 (42)
表目录
表1.1 互联网部分应用发展状况统计报告 (1)
表2.1 文献方法及数据集使用概览表 (12)
表2.2 实体对象提取方法优劣比较 (14)
表3.1 LDA主题模型训练流程 (17)
表3.2 LDA主题模型推断流程 (18)
表3.3 辅助划分规则的制定 (21)
表3.4 IMDB影评文本数据分词结果 (21)
表3.5 Stopwords字典中停用词概览 (22)
表3.6 辅助过滤规则的制定 (22)
表3.7 文本过滤后的结果 (22)
表3.8 文本词根化后的结果 (23)
表3.9 在IMDB测试集上的实验结果 (25)
表4.1 在IMDB数据集上词性标注结果展示 (27)
表4.2 在IMDB数据集上文本句法树的构建结果 (28)
图目录
图1.1 网民分享意愿统计图 (2)
图1.2 网民对互联网依赖程度统计图 (2)
图1.3 情感分析研究方法分类 (5)
图2.1 借助情感字典和规则制定的学习流程 (9)
图2.2 借助语料库的机器学习流程 (10)
图2.3 三层神经网络语言模型结构 (11)
图3.1 LDA主题模型的概率图模型表示 (16)
图3.2 循环神经网络语言模型简化结构 (18)
图3.3 基于主题聚类的情感极性判别方法算法框架图 (20)
图3.4 主题个数对于RNNLM准确率的影响 (24)
图3.5 软聚类参数对于RNNLM准确率的影响 (24)
图4.1 词性标注流程图 (27)
图4.2 句法树可视化结构图 (29)
图4.3 情感分析任务中递归神经网络的表现形式 (30)
图4.4 基于词性标注与递归神经网络结合的对象与情感关联提取方法流程图 .. 31图4.5 利用递归神经网络在句法树上的情感传播实例 (32)