基于RNN和LDA模型的商品評論情感分類研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，網(wǎng)購已成為人們?nèi)粘Ｉ钪胁豢煞指畹囊徊糠?，互?lián)網(wǎng)商品評論數(shù)量也呈指數(shù)增長。挖掘這些評論的情感傾向可以幫助消費(fèi)者快速地確定購買意向，同時也可以幫助賣家了解消費(fèi)者對商品的滿意程度，分析出商品的優(yōu)勢和劣勢，做出銷售決策。但是面對如此海量的商品評論信息，僅靠人工分析獲取評論的情感傾向費(fèi)時費(fèi)力且?guī)в兄饔^性，因此如何對海量的商品評論進(jìn)行自動化地情感分析，具有重要的研究意義。
　　本文主要從兩個方面對商品評論情感分類進(jìn)行研

2、究:粗粒度的商品評論情感分類和細(xì)粒度的商品評論屬性情感分類，具體創(chuàng)新成果如下:
　　(1)提出基于LSTM的雙向GRU的商品評論情感分類方法。針對機(jī)器學(xué)習(xí)方法解決情感分類問題時是基于淺層特征，而且分類器性能有限的問題，本文利用Word2vec構(gòu)建深層學(xué)習(xí)特征，分類器模型選用基于遞歸神經(jīng)網(wǎng)絡(luò)的LSTM模型，可以記住序列前面的信息，而且解決了長時依賴、梯度爆炸問題。然后針對該模型只能捕獲上文特征信息的問題提出可以捕獲上下文特征信息的雙

3、向GRU模型，實(shí)驗(yàn)結(jié)果表明:LSTM模型僅靠模型自身其分類準(zhǔn)確率就達(dá)到了90.03％，與機(jī)器學(xué)習(xí)方法表現(xiàn)最好的SVM模型相比提高了8.9％，而且雙向GRU算法又將準(zhǔn)確率由90.03％提高到了92.85％。
　　(2)提出基于大規(guī)模情感詞典和雙向GRU相結(jié)合的商品評論情感分類方法。針對雙向GRU模型需要人工進(jìn)行標(biāo)注，存在領(lǐng)域依賴性、個人主觀性以及浪費(fèi)人力的不足，提出基于大規(guī)模情感詞典和雙向GRU相結(jié)合的改進(jìn)算法。實(shí)驗(yàn)結(jié)果表明:將兩者

4、相結(jié)合的改進(jìn)算法得到了93.96％的準(zhǔn)確率，在雙向GRU模型的基礎(chǔ)上提高了1.11％，與大概摸情感詞典和SVM相結(jié)合的算法相比提高了5.33％。
　　(3)提出基于SC-LDA模型的屬性和情感詞抽取方法。針對目前的一些改進(jìn)型主題模型對于低頻同義屬性詞和情感詞的提取率不高的缺陷，本文將語義約束引入到標(biāo)準(zhǔn)LDA模型中，提出了SC-LDA模型，提高了主題詞語的識別度和區(qū)分度及它們之間關(guān)聯(lián)關(guān)系的提取率。實(shí)驗(yàn)結(jié)果表明:該模型將正確率提高到8