欢迎来到天天文库
浏览记录
ID:37089468
大小:2.47 MB
页数:74页
时间:2019-05-17
《基于卷积神经网络的情感分类算法研究》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、分类号:TP391学校代码:10697密级:公开学号:201520982硕士学位论文MASTER’SDISSERTATION基于卷积神经网络的情感分类算法研究学科名称:软件工程作者:尹化荣指导老师:陈莉教授西北大学学位评定委员会二○一八年ResearchonSettlementClassificationbasedonConvolutionNeuralNetworkAthesissubmittedtoNorthwestUniversityinpartialfulfillmentoftherequirementsforthed
2、egreeofMasterinSoftware&EngineeringByYinHuarongSupervisor:ChenLiProfessorJune2018摘要近年来,随着人工智能的蓬勃发展,涌现出一系列智能化、拟人化和个性化等研究领域。情感分类作为其中的重要分支,一直是这一领域的热门研究问题。它通过对情感数据进行清理、集成、规约和变换等操作来提取准确、有效的情感特征,并采用分类算法对数据中蕴含的情感类型进行识别。作为智能化人机交互的关键,情感分类被广泛应用于国防建设、舆情分析、医疗诊断、经济和金融预测、智能生活和个性
3、化体验等领域。众多学者开展情感分类算法研究并获得了一系列的科研成果,但在构建更准确的分类模型及设计较强辨别度的情感特征提取算法还有待进一步探索。本文以文本情感分类为背景、情感词典和文本分词为基础,针对情感特征的采集、情感分类模型的拟合能力、收敛速度以及准确率方面展开研究。主要研究内容包括:1.针对传统神经网络模型拟合能力较低的问题,提出了一种RUSBoost和积矩系数结合的神经网络分类算法。采用集成学习增强分类模型的拟合能力,同时使用积矩系数来降低模型的特征维度。结果表明,该方法可增强分类模型准确率、精度和召回率并提高模型的
4、收敛速度。2.针对传统卷积神经网络训练时间较长的问题,提出了一种基于简化激活函数的卷积神经网络分类算法。该方法设计了新的简化的激活函数,降低了分类模型神经元内部结构的复杂性,从而减少了训练时间,提高了分类器的有效性。3.针对传统情感分析需要人工参与且识别率较低,大规模应用成本较高的不足,提出了一种改进的卷积神经网络情感分类方法。通过Word2Vec和自编码机分别降低词和句子向量的特征维数来减少训练时间,同时引入简化激活函数和集成学习算法增强了情感分析算法的分类性能。关键词:情感分类,RUSBoost,激活函数,卷积神经网络,
5、神经网络IIIABSTRACTInrecentyears,withthevigorousdevelopmentofartificialintelligence,aseriesofintelligent,anthropomorphicandpersonalizedresearchfieldshaveemerged.Emotionclassification,asanimportantbranchofit,hasbeenahotresearchissueinthisfield.Itextractsaccurateandeffec
6、tiveemotionalfeaturesbycleaning,integrating,regulatingandtransformingemotionaldata,andusesclassificationalgorithmstoidentifythekeyemotionaltypescontainedinthedataasintelligenthuman-computerinteractionandfinancialanalysis,whichiswidelyusedintheconstructionofintellig
7、enthumaninteractionandinthefieldofhealthcare.Manyscholarshavestudiedandobtainedaseriesofachievementsintheresearchofemotionclassificationalgorithm,buttheystillneedtobefurtherexploredintheconstructionofmoreaccurateclassificationmodelandthedesignofemotionfeatureextrac
8、tionalgorithmwithstrongdiscernmentdegree.Basedonthecontextoftextemotionclassification,emotiondictionaryandtextsegmentation,thispaperfocusesonthec
此文档下载收益归作者所有