基于深度学习的电商评论情感分析系统

发布时间：2024-03-07 04:25

　　复杂语境下中文短语的情感极性分析在机器学习领域一直是一个难题,直到神经网络的出现才为解决这一问题打开了一扇窗户,并成为神经网络研究的一大热点领域。本论文旨在通过给时间卷积神经网络模型(TCN)引入注意力(Attention)机制来解决这一难题。本论文选取电子商务平台上的商品评论短语作为研究对象,让机器自动分析判断每条评论短语的情感极性(积极、消极),最终得出对商品的综合评价。为了分析短语的情感极性,首先引入了词向量嵌入机制将文本信息映射为向量数据,再选取目前较为成熟的循环神经网络模型(LSTM、Bi-directional LSTM、LSTM Attention)和时间卷积神经网络模型(TCN)在电商评论数据集上进行训练测试,通过对比分析这些模型的测试结果,本文指出LSTM Attention模型的准确率以及F₁-Measure明显优于未引入Attention机制的LSTM、Bi-directional LSTM、TCN模型,而在未引入Attention机制的LSTM、Bi-directional LSTM、TCN三个模型中,TCN模型在训练过程中的表现又优于LS...

【文章页数】：93 页

【学位级别】：硕士

【部分图文】：

图2–1感知器结构[13]

第二章相关技术研究上海交通大学硕士学位论文图2–1感知器结构[13]Figure2–1TheStructureofPerceptron程，通过激活函数（ActivationFunction）将线性权重加和的结果进一步处理，并得到输出。感受器最终的输出结果可以表示为式2–2。z=w....

图2–2神经网络架构[15]

上海交通大学硕士学位论文第二章相关技术研究图2–2神经网络架构[15]Figure2–2TheStructureofNeuralNetworks2.1.2模型训练模型的好与坏由模型在数据集上的拟合程度决定，通过学习大量已知数据不断修正自身，最终使得模型能够拟合整个数据集的过程就是....

图2–3梯度下降算法原理

第二章相关技术研究上海交通大学硕士学位论文图2–3梯度下降算法原理Figure2–3PrincipleofGradientDescentAlgorithm随着在样本数据上不断迭代更新各个权重，直到损失函数在某个极小值上收敛，就可以视为神经网络模型训练完成。输入信息随着每一层的函数....

图2–4基于卷积神经网络进行评论情感分析

上海交通大学硕士学位论文第二章相关技术研究通，这样极大的减少了神经网络在训练过程中的计算量，同时，局部特征相较全局特征可以更好的描述事物的本质，故卷积神经网络的学习效果通常比传统神经网的效果好。基于卷积神经网络进行商品评论情感分析[18]的原理如图2–4所示，该网络大致分为三个部....

本文编号：3921384