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，人們在網絡上行為往往已經不再局限于信息的瀏覽，越來越多的人開始在社交網絡上表達自己的觀點、分享知識、創(chuàng)作內容，這也成為了互聯(lián)網資源的一部分。
　　網友發(fā)布的海量內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、非結構化的數(shù)據(jù)中挖掘出有效的、易于分析的結構性信息，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、民意調研、危機管理的重要基礎技術。
　　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建和篩選，應用領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注，本文在總結傳統(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:
　　一是結合了空間遞歸網絡(Recursive Neural Networks，RSNN)和具有記憶能力的GRU單元(Gated Recurrent Units)的RSGRU網絡，模型不僅能夠表示文本的上下文信息，也能利用語法結構信息。將RSGRU網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網絡模型(Long-Sho

4、rt Term Memory，LSTM)和卷積神經網絡等模型，在文本情感極性分類任務上有了一定的性能的提升。
　　二是結合了卷積神經網絡和雙向GRU網絡的CNN-BGRU模型，并將該模型應用于篇章級的文本情感分析中。卷積神經網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合，在情感極性分類問題上相對于普通的卷積神經網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