网络评论文本的情感倾向性研究

《网络评论文本的情感倾向性研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、暨南大学硕士学位论文题名（中英对照）：网络评论文本的情感倾向性研究TheStudyofSentimentAnalysisforOnlineReviewTexts作者姓名：王欢欢指导教师姓名及学位、职称：孙玉霞博士、副教授;朱淑华博士、教授级高工;学科、专业名称：软件工程学位类型：专业学位论文提交日期：论文答辩日期：年月日答辩委员会主席：论文评阅人：学位授予单位和日期：暨南大学独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研

2、究成果，也不包含为获得暨南大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解暨南大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权暨南大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：导师签名：签字

3、日期：年月日签字日期：年月日学位论文作者毕业后去向：工作单位：电话：通讯地址：邮编：暨南大学硕士学位论文网络评论文本的情感倾向性研究摘要随着近几年来电子商务的快速发展，越来越多的用户在网上购买商品后会留下对商品或服务的评论，并且该类评论数据的数量正在不断增长。这些数据不仅可以作为消费者购物的参考信息，也可以为商家的销售策略提供很多建议和商机，因此研究这些评论文本数据具有很大价值。作为文本分析的重要技术之一，文本情感分析在近几年得到了研究人员的广泛关注，并取得了很多的研究成果。文本情感分析根据评论文本中观点的褒贬倾向来进行文本分类，

4、其分类方法包括基于情感词典的方法和基于机器学习的方法，其中第一种方法易于实现但是领域针对性不强，第二种方法分类效果更好但是需要大量的训练语料。本文首先介绍了情感分析的研究背景、国内外研究现状以及关键技术。然后对比了基于情感词典和基于机器学习两种方法的优缺点，并且结合机器学习中深度模型的有效性，选取了长短型记忆递归网络作为分类模型，提出将情感词典与深度学习模型两者结合的新方法来分阶段进行文本分类。新方法既克服了情感词典的不完整性缺点也解决了机器学习的大量语料需求。最后，本文通过对比实验证明在缺少训练语料情况下，将情感词典和长短型记忆

5、递归网络结合的方法应用在文本分类中可以获得较高的精确度。关键词：情感分析；情感词典；深度学习；长短型记忆神经网络I暨南大学硕士学位论文网络评论文本的情感倾向性研究AbstractWiththerapiddevelopmentofelectroniccommerceinrecentyears,moreandmoreconsumershaveofferedcommentsforthegoodsorservicesviaonlineshopping,andtheamountofcommentskeepsgrowing.Thecommen

6、tsdataarenotonlyusefulforconsumersasreferenceinformation,butalsoinstructiveformerchantstoimprovethemarketingstrategies.Therefore,itissignificanttoconductresearchonthetextdataofthecomments.Asanimportanttechniquefortextanalysis,thesentimentanalysishasattractedextensivea

7、ttentionsoftheresearcherswithmanyachievements.Themaintaskofsentimentanalysisistodeterminethesentimentorientationsofopinions.Typically，thesentimentanalysismethodscanbedividedintotwocategoriesasbelow:sentimentlexicon-basedmethodsandmachinelearning.Thefirstmethodiseasyto

8、beimplementedbutlackspertinence,thesecondonehasbettereffectsbutdependentsonalargenumberoftrainingdata.Inthethesis,thebackgro