

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、在互聯(lián)網(wǎng)以及大數(shù)據(jù)快速發(fā)展的時(shí)代,在各種互聯(lián)網(wǎng)媒體上會(huì)產(chǎn)生越來越多的信息,包括評論信息、用戶信息、新聞資訊等。這些海量的信息背后通常蘊(yùn)藏著大量的數(shù)據(jù)價(jià)值,通過對這些信息進(jìn)行挖掘分析,能夠更好的理解用戶的消費(fèi)需求和心理,分析熱點(diǎn)事件的發(fā)展及社會(huì)輿情的走勢,能夠給商家或者政府等提供一定的決策依據(jù)。
海量數(shù)據(jù)中的大部分是以文本的形式呈現(xiàn),在這些文本信息中,通常傳遞著客觀事實(shí)信息和用戶的主觀的情感色彩信息,因此基于文本情感信息的挖掘是
2、近年來研究的熱點(diǎn)。其中在文本情感分類方面,如果分類方法可以自動(dòng)的對文本的主觀情感信息進(jìn)行劃分,則能夠根據(jù)這些劃分信息更好的分析用戶的心理。傳統(tǒng)的分類方法在文本特征提取方面存在一定的缺陷,如未考慮文本間關(guān)系或者特征維度的問題。此外基于文本的主題情感挖掘也是研究熱點(diǎn)之一,主題模型也證實(shí)是文本挖掘方面比較有效的方法。傳統(tǒng)的主題模型,如 PLSA(Probability Latent Semantic Analysis)和 LDA(Latent
3、 Dirichlet Allocation),主要是針對文本隱含的主題進(jìn)行建模來挖掘文本的主題信息。但是由于文本信息或者研究內(nèi)容的不同,使基礎(chǔ)模型不再適用,這也就給文本挖掘在某些方面帶來了一定的挑戰(zhàn)。
針對傳統(tǒng)文本情感分類以及主題情感挖掘所存在的不足,近年來已經(jīng)有很多研究對這些不足進(jìn)行了改進(jìn),其中在文本情感分類方面主要是對分類器進(jìn)行了改進(jìn),在主題情感挖掘方面主要是根據(jù) LDA主題模型的思想進(jìn)行改進(jìn)。本文在已有的研究基礎(chǔ)上所做的
4、工作主要有兩個(gè)方面:(一)在中英文評論數(shù)據(jù)集上對文本的特征提取進(jìn)行了改進(jìn),主要是結(jié)合 LDA主題模型和 SVM分類器進(jìn)行文本情感分類的分析;(二)在新浪新聞的數(shù)據(jù)集上,利用新聞信息的一些屬性,如時(shí)間、情感注釋等,進(jìn)行LDA主題模型的擴(kuò)展來挖掘主題情感的關(guān)系并分析主題的變化趨勢。
在文本情感分類方面,本文在LDA模型的基礎(chǔ)上提出了一種新的文本特征提取模型ELDA(External Knowledge-based Latent D
5、irichlet Allocation),可以說是一種弱監(jiān)督形式的模型。該模型針對實(shí)驗(yàn)數(shù)據(jù)集的內(nèi)容尋找合適的外部數(shù)據(jù)集,首先利用LDA主題模型對外部數(shù)據(jù)集進(jìn)行主題抽取,之后在外部數(shù)據(jù)集主題抽取的基礎(chǔ)上對實(shí)驗(yàn)數(shù)據(jù)集和外部數(shù)據(jù)集整體上進(jìn)行主題的抽取,把主題特征看作文本的特征,其中外部數(shù)據(jù)集的引入在一定程度上增加了情感特征的權(quán)重。在實(shí)驗(yàn)中設(shè)置不同的模型主題數(shù),并結(jié)合SVM分類器來分析文本情感分類所需要的合適的特征維度,尋找最佳的文本情感分類模
6、型。實(shí)驗(yàn)結(jié)果證明,無論是在中文評論數(shù)據(jù)集還是英文評論數(shù)據(jù)集上,此特征提取方法在分類效果上均達(dá)到了較好的效果,相較于傳統(tǒng)的文本情感分類方法在準(zhǔn)確率方面有了4%的提升。
在主題情感挖掘與主題變化分析兩個(gè)方面,本文在已有的研究基礎(chǔ)上提出了一種新的四層主題模型JTSoT(Joint Topic-Sentiment over Time)。為了主題情感的挖掘,本文在傳統(tǒng) LDA模型的基礎(chǔ)上在主題與單詞層之間引入了情感層,主要是避免傳統(tǒng)JS
7、T(Joint Sentiment Topic)模型中情感因素會(huì)對主題的劃分產(chǎn)生影響,同時(shí)在主題情感之間引入狄利克雷分布。而在主題變化分析方面,根據(jù)已有的時(shí)間標(biāo)簽,將時(shí)間信息作為主題的屬性,并引入了主題對時(shí)間的Beta分布,來分析主題的變化。最終實(shí)驗(yàn)結(jié)果表明,相較于已有工作TOT(Topic over Time)以及eToT(emotion Topic over Time)模型而言,本文提出的JTSoT模型能夠直接體現(xiàn)主題情感之間的關(guān)系
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于LDA主題模型的電商客戶評論情感分析.pdf
- 基于主題分類特征的物業(yè)評論情感分析.pdf
- 基于主題特征的情感分類及推薦算法研究.pdf
- 基于RNN和LDA模型的商品評論情感分類研究.pdf
- 基于LDA模型的文檔情感摘要研究.pdf
- 基于LDA模型的微博情感分析技術(shù)研究.pdf
- 基于機(jī)器學(xué)習(xí)的中文文本主題分類及情感分類研究.pdf
- 基于有序分類的文本情感分析.pdf
- 基于主題模型的中文情感分類方法研究.pdf
- 基于文本情感分類的商品評論主題挖掘
- 基于文本情感分類的商品評論主題挖掘.pdf
- 基于語義分析的文本情感分類研究.pdf
- 基于情感分類的微博主題挖掘算法的研究及應(yīng)用.pdf
- 基于概率主題模型的作者情感分析.pdf
- 基于情感詞的中文文本情感分類研究.pdf
- 基于回歸分析的音樂情感分類系統(tǒng).pdf
- 基于支持向量機(jī)的文本主題分類和情感分類研究.pdf
- 基于TH-LDA模型的中文微博熱點(diǎn)事件檢測及情感分析.pdf
- 基于情感詞典與句型分類的中文微博情感分析研究.pdf
- 基于中文微博的電影評論情感極性分類及輿論演化分析_3871.pdf
評論
0/150
提交評論