论文部分内容阅读
随着移动互联网的迅猛发展,人们通过移动端参与各类网络活动时,产生了大量具有情感倾向性的网络短文本。如何快速从这些网络短文本中挖掘出其情感倾向性,为政府、企业以及个人的决策提供有效地帮助,已经成为自然语言处理领域的热点问题。对于网络短文本的情感倾向性分析问题中的关键环节,本文主要做了以下几个方面的研究。首先,针对传统的文本表示存在的问题,本文基于无监督的Word2vec模型的使用static和non-static两种方式训练两个公共文本数据集得,到对应的词向量,解决文本表示的相关问题。然后,针对文本特征提取问题,对传统情感分析方法进行研究分析,分别使用词向量和TF-IDF两种方式构造实验数据作为三种经典机器学习模型的输入进行实验,分析对比实验结果,发现传统的机器学习模型对词向量中包含的情感信息学习能力有限。随后,针对传统机器学习模型对词向量中包含的情感信息学习能力有限的问题,将深度学习方法引入到网络短文本情感分析问题中。通过对比分析,提出了基于深度学习的卷积神经网络模型TCNN,并通过实验与传统机器学习模型对比,验证了在网络短文本的情感倾向性分析问题上,基于深度学习的卷积神经网络模型的有效性,同时对于可能影响该模型效果的影响因子进行实验对比分析。最后,在TCNN模型的基础上,为了能够更加充分地提取到文本中的局部敏感信息,提出了双通道卷积神经网络模型Double-TCNN,并通过实验与传统的机器学习模型和TCNN模型对比,验证了该模型的有效性。综上,在网络短文本情感倾向性分析问题上,本文使用词向量解决了文本数据表示问题;在传统机器学习模型的基础上,提出了基于深度学习的卷积神经网络模型TCNN,取得了比传统机器学习模型更好的效果;对TCNN模型进行改进,提出了双通道卷积神经网络模型Double-TCNN,实验证明该模型取得了比传统机器学习模型以及TCNN模型更好的实验效果。