基于深度学习的网络评论属性级情感分析

摘要

网络评论是当今人们发表观点的重要载体，人们在评论时经常对多个方面表达观点。网络评论的属性级情感分析是一个细粒度的工作，能够挖掘出网络评论中包含的各个观点和对观点的情感。本文的目标是挖掘出评论句子包含的各个评价对象和相关的观点内容，并对每个评价对象所蕴含的情感极性进行分类。本文将该情感分析工作分为以下两步实现：　　(1)基于Tree-LSTM+CRF的属性级情感元素抽取研究。该部分要对网络评论进行属性级情感元素抽取，得到评论中包含的各个评价对象和观点内容。本文提出Tree-LSTM+CRF联合模型抽取评价对象和观点内容，该模型先根据依存句法分析树构建树结构长短期记忆神经网络学习词的隐向量，然后使用条件随机场进行序列标注。　　(2)基于AttentionBi-LSTM的情感极性分类研究。该部分要对抽取出的评价对象进行情感极性分类，本文提出AttentionBi-LSTM模型对评价对象进行情感分类，模型通过双向长短期记忆神经网络学习每个词的表示向量，使用注意力机制学习词之间的相关性，该模型不仅能实现属性级情感分类，而且根据注意力权重能将评价对象与相关观点内容进行匹配。　　本文实现了多个情感元素抽取的基线模型和情感分类的基线模型，将这些基线模型在SemEvalChallenge2014任务4的数据集上与本文提出的两个模型进行比较，对比分析的实验结果表明本文模型的性能优于基线模型，验证了Tree-LSTM+CRF模型和AttentionBi-LSTM模型分别在情感元素抽取和情感分类工作中的有效性。

目录

声明

变量注释表

1 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 情感元素抽取国内外研究现状

1.2.2 情感极性分类国内外研究现状

1.3 论文的主要研究内容

1.4 论文结构介绍

2 相关理论基础

2.1 条件随机场

2.2 神经网络模型

2.2.1 循环神经网络

2.2.2 长短期记忆神经网络

2.2.3 双向神经网络

2.3 注意力机制

2.4 本章小结

3 基于Tree-LSTM的属性级情感元素抽取

3.1 属性级情感元素抽取任务

3.2 Tree-LSTM+CRF联合模型

3.2.1 Tree-LSTM

3.2.2 Tree-LSTM+CRF

3.3 模型训练

3.4 数据集与实验设置

3.4.1 数据集

3.4.2 实验设置

3.5 实验结果与分析

3.6 本章小结

4 基于注意力Bi-LSTM的属性级情感分类

4.1 属性级情感分类任务

4.2 注意力双向长短期记忆神经网络模型

4.3 数据集与实验设置

4.3.1 数据集

4.3.2 实验设置

4.4 实验结果与分析

4.5 本章小结

5 总结与展望

5.1 总结

5.2 今后研究工作展望

参考文献

作者简历

致谢

学位论文数据集