传统方式的情感分析方法对于庞大的情感词典以及复杂的特征提取工程依赖性较强.假设情感词典不够完整,某些评论中所出现的情感词没有在情感词典中出现,那么对于评论所展现的情感倾向无法进行判断.以机器学习为基础的情感分析方法要依赖较为复杂的特征提取技术,而使用人工来对数据进行标注,会使得大量的人力、物力、财力被消耗掉.因此本论文将深度学习与自然语言处理技术结合到一起,对使用传统的卷积神经网络模型中对句子结构没有考虑以及过度的依赖所输入的词向量的问题进行了优化,首先时对词向量进行优化,将一词多义的问题解决;其次是对句子的结构进行考虑,然后分段池化,对句子中的主要特征进行提取.实验的结果表明,对比传统方式的文本卷积神经网络,本论文所提出的方法在对情感进行分析时,精确率以及召回率等都会有明显的提高.
NETL
NSTL
万方数据
维普
