面向在线产品评论的细粒度情感分析研究.pdfVIP

摘 要 移动互联网的兴起带动了线上购物的蓬勃发展，并在电商平台上积累了海 量的产品评论文本信息。这些评论文本中往往包含着消费者对产品及其属性所 表达的情感态度，提取其中的情感倾向信息对商家和消费者都具有很大的实用 价值。文本情感分析技术可以从产品评论文本中提取出情感倾向信息。传统的 粗粒度情感分析方法无法对产品属性对应的情感极性进行识别和分类。因此， 本文研究的是面向产品评论的细粒度情感分析。 本文针对在线产品评论挖掘展开研究，提出了一个面向在线产品评论的细 粒度情感分析框架来完成产品属性词抽取和属性级情感分类任务，并将该框架 在笔记本电脑评论文本上进行应用。本文的主要工作内容包括： 首先，本文使用网络爬虫技术从多个电商网站上收集了笔记本电脑评论文 本数据，并对该数据进行了文本预处理和人工数据标注，从而得到本文的实验 数据集。其次，利用依存句法关系和词性搭配规则构建模板提取评论中包含的 属性词，并对提取到的候选属性词进行过滤和聚类，得到产品的基本属性。然 后，在进行方面级情感分类时，针对循环神经网络如 LSTM 不能并行化训练以 及不能充分利用双向序列信息进行长期依赖关系建模，并且引入注意力机制分 配注意力权重整合特征进行分类可能会引入噪声并降低预测准确率的问题，提 出一种基于轻量级的多头自注意力机制和门控卷积神经网络的模型，并在收集 到的数据上设计对比实验，将该模型与 Bi-LSTM+ 门控卷积神经网络、 ATAE-LSTM 、GCAE、AA-LSTM 模型在标注后的数据上进行对比实验。实验 结果表明，本文提出的模型在属性级情感分类问题上的准确率达到了 94.84%， 而 Macro-F1 值达到了 91.06%，高于该领域其他优秀的模型的表现，从而验证 了本文提出模型的有效性。最后，对产品属性的评价情况进行分析和总结，指 出产品本身的优点和缺点，并针对问题向商家提出了改进的建议。 关键词：深度学习；细粒度情感分析；特征提取；多头自注意力机制；门控机 制 1 目 录 第一章 绪论 1 1.1 研究背景与意义 1 1.1.1 研究背景 1 1.1.2 研究意义 2 1.2 国内外研究现状 3 1.2.1 产品属性词提取研究现状 3 1.2.2 属性级情感分类研究现状 5 1.3 主要研究内容 9 1.4 论文组织结构 10 第二章 相关理论和技术基础 11 2.1 词嵌入向量 11 2.1.1 Word2Vec 模型 12 2.1.2 FastText 模型 13 2.2 卷积神经网络 14 2.2.1 卷积神经网络模型 14 2.2.2 文本卷积神经网络模型 15 2.3 循环神经网络 17 2.3.1 基本的循环神经网络 17 2.3.2 长短期记忆网络 18 2.3.3 双向长短期记忆网络 20 2.4 注意力机制 20 2.4.1 常规注意力机制 20 2.4.2 自注意力机制 21 2.5 评价指标 23 第三章 数据采集处理与属性词提取 25 3.1 数据采集 25 3.2 数据预处理 27 3.2.1 数据清洗 27