基于深度學習的文本情感分析研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，社交平臺和電商平臺的數(shù)量急劇增加，世界各地的用戶在互聯(lián)網(wǎng)上發(fā)表意見、表達情感已經(jīng)成為一種新的習慣。利用自然語言處理技術(shù)對互聯(lián)網(wǎng)上的文本進行分析，并挖掘其中所包含的情感傾向已經(jīng)成為社會輿情監(jiān)督和廠家售后信息反饋的重要途徑。因此，研究文本情感分析方法具有重要的社會意義和商業(yè)價值。
　　現(xiàn)有的情感分析方法主要分為基于情感詞典的情感分析方法和基于機器學習的情感分析方法?；谇楦性~典的文本情感分析方法很大程度上依賴于情

2、感詞典的質(zhì)量和覆蓋度，而基于機器學習的文本情感分析方法依賴于人工構(gòu)建和抽取的特征。近年來，深度學習技術(shù)在自然語言處理領(lǐng)域取得了很大的進展，因此本文主要研究基于深度學習的文本情感分析方法。
　　本文主要的工作包括：首先，針對循環(huán)神經(jīng)網(wǎng)絡(luò)無法學習長距離依賴信息的問題，本文將長短時記憶格替換循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點組成長短時記憶型循環(huán)神經(jīng)網(wǎng)絡(luò)模型，并將該模型應(yīng)用于文本情感分析任務(wù)。在NLPCC2014年基于深度學習技術(shù)的情感分析（NLP

3、CC-SCDL）評測任務(wù)數(shù)據(jù)集上的實驗結(jié)果表明，預訓練詞向量的加入能夠有效地提升模型的分類性能和訓練速度。相比于NLPCC-SCDL評測中的最佳系統(tǒng)，該模型在中文數(shù)據(jù)集的正面情感傾向性判別上的F1值提升了0.2％，在英文數(shù)據(jù)集的負面情感傾向性判別上的F1值提升了0.6%。
　　然后，針對現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的文本情感分析模型中全連接分類層對非線性分布的數(shù)據(jù)不能夠有效地進行情感分類的問題，本文提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和支持向量機的

4、文本情感分析模型。此模型首先將輸入樣本的詞語序列替換為對應(yīng)的預訓練詞向量序列，然后將卷積神經(jīng)網(wǎng)絡(luò)作為自動特征學習器去學習輸入樣本的特征表達，最后將獲得的特征表達作為支持向量機的輸入以得到最終的類別標簽。在NLPCC-SCDL評測任務(wù)數(shù)據(jù)集上的實驗顯示，相比于NLPCC-SCDL評測中的最佳系統(tǒng)，該模型在中文數(shù)據(jù)集的正面和負面情感傾向性判別上的F1值分別提升了1.2%和1.0%，在英文數(shù)據(jù)集的正面和負面情感傾向判別上的F1值分別提升2.7