导读:本文包含了文本倾向性分析论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,双向长短时记忆网络,注意力机制,文本情感分析
文本倾向性分析论文文献综述
司新红,王勇[1]（2019）在《CNN结合BLSTM的短文本情感倾向性分析》一文中研究指出情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络(CNN)和双向长短时记忆网络(BLSTM)进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。(本文来源于《软件导刊》期刊2019年11期）
王庆嘉[2]（2019）在《基于文本倾向性分析的高校舆情系统研究与实现》一文中研究指出随着高校网络舆情的快速发展,越来越多的高校大学生喜欢在互联网平台上畅谈个人理想、发表个人见解和发泄个人情绪。虽然高校舆情的发展让高校大学生拥有了更多的话语权,但是高校舆情信息数量的快速增长使其管理变得更加困难,从而引发了一系列的高校舆情危机,对高校造成了严重的负面影响。基于上述问题,本文构建了一套基于文本倾向性分析的高校舆情系统。系统使用网络爬虫获取高校舆情数据,经过数据预处理后,对高校舆情数据进行文本倾向性分析和关联查询。本文利用基于情感词典和朴素贝叶斯的方法实现对高校舆情文本倾向性分析功能,该方法使用情感词典作为特征选择方法,利用朴素贝叶斯理论构建高校舆情文本情感分类器,然后对高校舆情文本进行文本倾向的判断。本文使用潜在语义分析算法实现高校舆情数据的关联查询功能,该方法先对高校舆情文本构建词语-文档矩阵并进行降维构建潜在语义空间,在潜在语义空间中将用户的查询语句表示成查询向量,并计算与其他文本向量的相似度,最后根据相似度值从大到小将查询结果返回给用户。基于文本倾向性分析的高校舆情系统的构建对于维护高校乃至社会的安全与稳定,促进高校健康发展具有重要意义。本系统已经通过系统测试并在济南大学进行应用,效果达到了预期。(本文来源于《济南大学》期刊2019-06-01）
李德源[3]（2019）在《电商在线评论的文本情感倾向性分析》一文中研究指出近年来电子商务的发展极大带动了人们通过互联网购物的热情,从搜索发现、浏览商品详情、加到购物车、付款、收货到产生购物评论的整个过程,都可以足不出户地完成。其中商品评论也成为消费者在选购商品时的重要参考内容之一,因为已生成的评论可以使消费者从商家、广告之外的角度,更全面地了解商品是否值得购买。同样的,制造商、电子商务平台也需要密切关注消费者的发声,以及时调整商品设计或营销策略,来更好地服务消费者,同时达到利益最大化。本文以此为出发点,对京东电商平台手机的4000条评论进行数据获取、清洗、提取产品特征词与情感词、叁元组文本向量化及SVM情感分类这一系列过程形成PROST模型,实现了提取消费者对商品最关注的特征和其相应情感倾向的提取,并通过新模型与传统方法的对比,得出了新的方法优于传统方法的结论,为电商在线评论文本情感倾向性分析提供了一种简便可行的操作方法。本文主要书写思路分为以下几部分:第一部分主要为绪论以及基础理论知识,介绍了本文的研究背景、研究意义,对国内外文本情感倾向性分析进展做了概括,并梳理了本文的研究内容、研究方法和使用的技术路线以及创新点。第二部分介绍了四个理论支撑,分别是电子商务相关理论、情感分析相关理论、文本分析相关理论、电商在线评论文本情感倾向性分析概述。第叁部分介绍了文本获取与预处理,系统阐述了文本的分词方法、词性标注、句法依存关系。第四部分介绍常见的特征向量化方法和情感分析模型,强调了文本向量化的必要性和重要性,选取了能够获取词间关系的CBOW模型来对文本进行向量化。第五部分为实验过程及结果对比分析,将实验过程的文本数据获取、清洗,到分词以及利用依存句法关系提取叁元组并进行连续词袋模型向量化、分类器分类。得到的实验结果与四种传统方法进行对比分析,得出新模型各方面性能优于传统模型的结论。第六部分为总结与展望,对本文提供的PROST的模型利弊进行讨论分析,并提出今后的研究方向。(本文来源于《吉林大学》期刊2019-06-01）
程艳,叶子铭,王明文,张强,张光河[4]（2019）在《融合卷积神经网络与层次化注意力网络的中文文本情感倾向性分析》一文中研究指出文本情感倾向性分析是自然语言处理研究领域的一个基础问题。基于深度学习的模型是处理此问题的常用模型。而当前的多数深度学习模型在中文文本情感倾向性分析方面的应用存在两个问题:一是未能充分考虑到文本的层次化结构对情感倾向性判定的重要作用,二是传统的分词技术在处理文本时会产生歧义。该文针对这些问题基于卷积神经网络与层次化注意力网络的优点提出了一种深度学习模型C-HAN(Convolutional Neural Network-based and Hierarchical Attention Network-based Chinese Sentiment Classification Model),先用并行化卷积层学习词向量间的联系与组合形式,再将其结果输入到基本单元为双向循环神经网络的层次化注意力网络中判定情感倾向。实验表明:模型在中文评论数据集上倾向性分类准确率达到92.34%,和现有多个情感分析模型相比有所提升;此外,对于中文文本,选择使用字级别词向量作为原始特征会优于词级别词向量作为原始特征。(本文来源于《中文信息学报》期刊2019年01期）
岳重阳[5]（2018）在《面向中文微博话题评论文本的立场倾向性分析方法研究》一文中研究指出微博类社交应用产品的不断增长,带动着热门资讯和在线评论源源不断地涌现,并对大众的观念和社会发展产生潜在影响。从舆论情况分析角度看,针对在线言论的监控、分析和管理工作,在国家安全、舆论调查、商业决策等领域发挥着重要的作用。针对海量网络舆论很难人工分析处理的问题,近年来自然语言处理领域的研究人员通过研究情感分析的有效方法,来分析和引导网络舆论动向。随着微博话题推陈出新,同时网络言论不断出现新形式、变得更加多样化,情感分析研究面临新的挑战。针对有些微博评论观点与话题内容密切相关、间接隐含表达而难于自动识别的问题,立场分析应运而生。立场分析是情感分析领域中新兴的研究方向,致力于自动识别微博评论对于所属话题支持与否的态度,本质上属于文本分类任务。针对新形式的微博评论难于分析立场倾向、单个分析模型难以拟合全部话题、话题的增加使分析模型复杂度升高等问题,本文所做的叁项主要研究工作如下:1)基于深度学习的立场倾向性分类:提出一种深度学习模型,包含双向长短期记忆网络、注意力机制等神经网络层次,从训练数据中提取文本特征,并筛选出最值得关注的部分,形成最终文本表示,执行分类。2)基于话题子分类器的集成学习策略:使用分类模型分别针对数据集中每个话题下的数据进行训练,再将各个子分类器集成,以处理全量数据的分类。该部分设置输入、文本表示、输出叁种环节的集成策略进行对比。3)基于跨领域迁移学习的新话题评论预测:以集成模型为基础,提取原有训练数据中的主要文本特征,再使用新话题训练数据,分别以零样本、少量样本学习的方式,对新话题的大量测试数据进行预测。实验结果表明,本文提出的立场分类模型具有较好的分类性能,在NLPCC 2016立场分析数据集中4个话题上的性能指标超过了前人工作中的最高指标。集成策略对比结果中,在模型输出环节以一对一的Ad-hoc方式对子分类器所得结果进行集成的策略,在全量立场分析数据上取得了较好的分类性能。以文本跨领域迁移学习的方式拟合新话题数据时,使用少量新话题训练数据参与训练的方式,预测性能在全部实验方案中均高于新话题测试数据直接预测的方式。本文的研究工作中存在的问题,以及未来研究工作在文章最后进行了说明。(本文来源于《河北科技大学》期刊2018-12-01）
钮成明,詹国华,李志华[6]（2018）在《基于深度神经网络的微博文本情感倾向性分析》一文中研究指出随着新型社交媒体的发展,作为传播网络舆论的重要媒介,微博已然成为挖掘民意的平台.自然语言处理技术可以从微博文本中提取有效情感信息,为网络舆情监控、预测潜在问题及产品分析等提供科学的决策依据.为了克服现有的浅层学习算法对复杂函数表示能力有限的问题,本文尝试融合深度学习的思想,提出基于Word2Vec和针对长短时记忆网络改进的循环神经网络的方法进行中文微博情感分析.在两万多条中文标注语料上进行训练实验,实验数据与SVM、RNN、CNN作对比,对比结果证明,本文提出的情感分析模型准确率达到了91.96%,可以有效提高微博文本情感分类的正确率.(本文来源于《计算机系统应用》期刊2018年11期）
陈芬,陈佩帆,吴鹏,薛春香[7]（2018）在《融合用户特征与多级文本倾向性分析的网络意见领袖识别》一文中研究指出网络事件中,意见领袖能够传播信息、扩大影响力、引导舆论方向。为了识别意见领袖,文章引入多级文本倾向性分析,自动将文本识别为非常正面、正面、中立、负面和非常负面5种情感倾向,更加精确地表征网民对博主的支持度。在此基础上,进一步融合多种用户特征,构建系统的网络意见领袖识别指标体系,基于新浪微博的真实数据,进行意见领袖识别,并与未加支持度指标的模型以及支持度两级分类模型进行对比,验证了方法的有效性。(本文来源于《情报理论与实践》期刊2018年07期）
曾宇[8]（2018）在《网络评论短文本情感倾向性分析研究》一文中研究指出近年来随着社交媒体和电子商务的快速发展,各大社交网站和电子商务网站不断地产生大量有价值的评论短文本信息。通过有效地分析并判断这些评论短文本的情感倾向不仅可以从中获取重要的关键信息,而且也能够进一步促进电子商务、舆情分析等相关领域的发展。本文首先通过结合情感语料库和现有的情感词典资源构建一个扩展情感词典,然后在此基础上提出一种融合情感贡献度的短文本情感倾向性分析方法,最后设计并实现了一个融合情感贡献度的短文本情感倾向性分析系统。本文所做的主要工作包含情感词典构建、情感倾向性分析、系统实现叁个方面的内容:(1)提出了一种融合类别情感相关度的情感词典构建方法首先,通过整合通用的中文情感词典构建一个基础情感词典,并结合基础情感词典从语料库中选取基准情感词。其次,考虑到文本类别对词语情感倾向性判断的影响,通过结合否定词、词语频数、互信息方法计算候选情感词与文本类别的情感相关度。再次,考虑到基准情感词对词语情感倾向性判断的影响,通过结合基准情感词计算候选情感词与基准情感词的情感相关度。然后,在此基础上实现一种融合类别情感相关度的词语情感倾向判别方法,并将该方法识别出的情感词与基础情感词典合并,从而形成一个扩展情感词典。最后,通过实验验证了该方法在宏平均F1值方面有一定的提升,同时构建的扩展情感词典也具有较好的分类性能。这进一步说明了提出的词语倾向判别方法具有一定的可行性,构建的扩展情感词典具有一定的实用性。(2)提出了一种融合情感贡献度的短文本情感倾向性分析方法首先,考虑到情感词对短文本情感倾向判断的影响,通过结合情感词的类条件概率和情感词的语义贡献权值计算情感词的情感贡献度。其次,考虑到分句对短文本情感倾向判断的影响,通过结合分句的位置信息和其包含的情感词数量计算分句的情感贡献度。再次,考虑到不同情感倾向的情感词数量对短文本情感倾向判断的影响,通过将情感倾向相同的情感词作为一个情感整体,并根据情感词的数量确定情感整体的情感贡献度。然后,在此基础上实现了一种融合情感贡献度的短文本情感倾向性方法。最后,通过实验验证了该方法在宏平均F1值方面有一定的提升,说明了该方法在识别文本倾向性方面具有一定的有效性。(3)设计并实现了一个融合情感贡献度的短文本情感倾向性分析系统该系统可以采集京东商城网站上相关商品最新的评论短文本数据,并且能够从中识别出主观性的评论短文本,然后结合提出的短文本情感倾向性分析方法进一步分析这些主观性评论短文本的情感倾向性,并向用户显示直观的情感倾向性分析结果,以便进一步为用户在购买商品方面提供相关的参考。(本文来源于《山东师范大学》期刊2018-06-10）
左颖[9]（2018）在《基于深度学习的网络短文本情感倾向性分析》一文中研究指出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叁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。(本文来源于《西南交通大学》期刊2018-06-03）
方祥辉[10]（2018）在《多粒度文本情感倾向性分析研究》一文中研究指出伴随着科学信息技术地快速发展,互联网与我们的生活越来越紧密相关,网民们的数量也急剧攀升,这就使得网络上出现了大量的网民用户信息。各大门户网站为了加强平台与用户之间的交流互动,出现了各式各样的网民评论信息,这使网站与用户之间出现了一条新的信息获取渠道,这些信息的出现改变了这些网站的业务流程,也对用户的思维模式产生了巨大影响。但是,随着大量的用户文本信息的涌现,如何在短时间内获得人们对于诸如人物、事件、产品、传媒等有价值有情感的评论信息,还是一个棘手的问题。因此,针对这些文本的分析成为当前网络文本分析的重要问题。文本情感分析是网络文本分析的方向之一。所谓文本情感分析,又称为意见挖掘或评论挖掘,是对带有情感色彩的文本进行处理、分析和应用的过程,它是结合现有诸多研究成果的一种具体应用,与网络社交媒体相结合,有着重要的实用价值。文本情感分析通常有两种方法:基于词典的方法和基于机器学习的方法。基于词典的方法主要是将文本中的情感词语作为特征项进行提取,再用词典判断特征词的情感极性,但该方法较依赖于词典的规模与质量。基于机器学习的方法主要使用机器学习算法来对词汇的情感极性进行判断,通过算法的训练来达到判断情感极性的目的,但该方法大多需要进行人工标注和算法训练,花费时间成本较高。基于以上相关研究背景,本文主要针对文本情感分析所做工作如下:(1)针对文本的多粒度情感分析:传统的基于词典的方法仅仅依靠特征词汇判断文本的极性,容易存在误差,所以本文将依靠多粒度思想,将文本依次划分为词语粒度、短语粒度和句子粒度,通过多个粒度信息依次计算,并通过多个粒度的计算结果联合计算来判断文本的情感极性,从而解决了仅仅依靠词汇信息判断情感极性带来噪声的问题。(2)针对情感随时间变化问题:任何情感都不是一层不变的,在事件时间和主题变化的情况下,网络事件的文本会因此出现变化,文本情感也会随之变化。因此本文提出了静态情感与动态情感两种不同状态的情感,对不同状态情感进行区分计算,并从不同主题粒度与时间维度分别判断文本的情感,并依次做出主题情感倾向数目图、不同时间情感倾向数目图与相同主题下不同时间情感倾向数目动态变化图。相较于传统的情感分析,本文模型解决了情感随主题与时间变化情况下的动态情感分析问题。(本文来源于《重庆邮电大学》期刊2018-05-20）
文本倾向性分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着高校网络舆情的快速发展,越来越多的高校大学生喜欢在互联网平台上畅谈个人理想、发表个人见解和发泄个人情绪。虽然高校舆情的发展让高校大学生拥有了更多的话语权,但是高校舆情信息数量的快速增长使其管理变得更加困难,从而引发了一系列的高校舆情危机,对高校造成了严重的负面影响。基于上述问题,本文构建了一套基于文本倾向性分析的高校舆情系统。系统使用网络爬虫获取高校舆情数据,经过数据预处理后,对高校舆情数据进行文本倾向性分析和关联查询。本文利用基于情感词典和朴素贝叶斯的方法实现对高校舆情文本倾向性分析功能,该方法使用情感词典作为特征选择方法,利用朴素贝叶斯理论构建高校舆情文本情感分类器,然后对高校舆情文本进行文本倾向的判断。本文使用潜在语义分析算法实现高校舆情数据的关联查询功能,该方法先对高校舆情文本构建词语-文档矩阵并进行降维构建潜在语义空间,在潜在语义空间中将用户的查询语句表示成查询向量,并计算与其他文本向量的相似度,最后根据相似度值从大到小将查询结果返回给用户。基于文本倾向性分析的高校舆情系统的构建对于维护高校乃至社会的安全与稳定,促进高校健康发展具有重要意义。本系统已经通过系统测试并在济南大学进行应用,效果达到了预期。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
文本倾向性分析论文参考文献
[1].司新红,王勇.CNN结合BLSTM的短文本情感倾向性分析[J].软件导刊.2019
[2].王庆嘉.基于文本倾向性分析的高校舆情系统研究与实现[D].济南大学.2019
[3].李德源.电商在线评论的文本情感倾向性分析[D].吉林大学.2019
[4].程艳,叶子铭,王明文,张强,张光河.融合卷积神经网络与层次化注意力网络的中文文本情感倾向性分析[J].中文信息学报.2019
[5].岳重阳.面向中文微博话题评论文本的立场倾向性分析方法研究[D].河北科技大学.2018
[6].钮成明,詹国华,李志华.基于深度神经网络的微博文本情感倾向性分析[J].计算机系统应用.2018
[7].陈芬,陈佩帆,吴鹏,薛春香.融合用户特征与多级文本倾向性分析的网络意见领袖识别[J].情报理论与实践.2018
[8].曾宇.网络评论短文本情感倾向性分析研究[D].山东师范大学.2018
[9].左颖.基于深度学习的网络短文本情感倾向性分析[D].西南交通大学.2018
[10].方祥辉.多粒度文本情感倾向性分析研究[D].重庆邮电大学.2018