基于深度特征提取的文本情感極性分類研究.pdf

1、隨著微博、論壇、知乎、豆瓣等社交媒體的發(fā)展，人們在網(wǎng)絡上行為往往已經(jīng)不再局限于信息的瀏覽，越來越多的人開始在社交網(wǎng)絡上表達自己的觀點、分享知識、創(chuàng)作內(nèi)容，這也成為了互聯(lián)網(wǎng)資源的一部分。
　　網(wǎng)友發(fā)布的海量內(nèi)容中既包括很多對熱點事件的評論，也包括對特定商品的評價，它們中的大部分文字都帶有明顯情感傾向的信息。如何從這些海量的、非結(jié)構(gòu)化的數(shù)據(jù)中挖掘出有效的、易于分析的結(jié)構(gòu)性信息，就是情感分析的主要任務。
　　情感分析在業(yè)界廣泛被應

2、用于產(chǎn)品分析、商品推薦等方面，甚至可以應用股票價格趨勢的預測，具有很大的商業(yè)價值。而對于政府部門來說，情感分析更是輿情監(jiān)測、民意調(diào)研、危機管理的重要基礎技術(shù)。
　　傳統(tǒng)的文本情感分析方法依靠復雜的特征工程，需要耗費大量的人力進行特征構(gòu)建和篩選，應用領(lǐng)域或者隨著時間的推移，如果語言習慣發(fā)生變化，則又需要重新選擇特征，不具有普適性。近年來，深度學習在自然語言處理的各種應用中得到了廣泛的關(guān)注，本文在總結(jié)傳統(tǒng)基于情感詞典的情感分析方法和目

3、前已有的可用于情感分析的深度學習方法的基礎上，針對存在的問題，建立了兩種深度學習模型:
　　一是結(jié)合了空間遞歸網(wǎng)絡(Recursive Neural Networks，RSNN)和具有記憶能力的GRU單元(Gated Recurrent Units)的RSGRU網(wǎng)絡，模型不僅能夠表示文本的上下文信息，也能利用語法結(jié)構(gòu)信息。將RSGRU網(wǎng)絡模型應用在語句級情感分析任務上，相較于目前應用比較多的長短時記憶神經(jīng)網(wǎng)絡模型(Long-Sho

4、rt Term Memory，LSTM)和卷積神經(jīng)網(wǎng)絡等模型，在文本情感極性分類任務上有了一定的性能的提升。
　　二是結(jié)合了卷積神經(jīng)網(wǎng)絡和雙向GRU網(wǎng)絡的CNN-BGRU模型，并將該模型應用于篇章級的文本情感分析中。卷積神經(jīng)網(wǎng)絡在局部特征提取方面表現(xiàn)更好、更適合于對句子進行建模，而雙向GRU更實用于表達序列信息進行，本文將這兩種模型結(jié)合，在情感極性分類問題上相對于普通的卷積神經(jīng)網(wǎng)絡等其他模型取得了較好的效果，且與傳統(tǒng)方法相比不需人