面向跨领域产品评论的情感分析研究

《面向跨领域产品评论的情感分析研究》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、中文图书分类号：TP391密级：公开UDC：004学校代码：10005工程硕士学位论文M.E.DISSERTATION论文题目：面向跨领域产品评论的情感分析研究论文作者：李宁领域：计算机技术指导教师：贾熹滨论文提交日期:2016年6月UDC：004学校代码：10005中文图书分类号：TP391学号：S201307133密级：公开北京工业大学硕士专业学位论文（全日制）题目：面向跨领域产品评论的情感分析研究英文题目：RESEARCHOFCROSSDOMAINSENTIMENTCLASSIFICATIONFORPRODUCTREVIEWS论文

2、作者：李宁领域：计算机技术研究方向：计算机应用技术申请学位：工程硕士专业学位指导教师：贾熹滨副教授所在单位：计算机学院答辩日期：2016年6月授予学位单位：北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，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究成果，也不包含为获得北京工业大学或其它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了谢意。签名：李宁日期：2016年6月1日关于论文使用授权的

3、说明本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。(保密的论文在解密后应遵守此规定)签名：李宁日期：2016年6月1日导师签名：贾熹滨日期：2016年6月1日摘要摘要伴随着信息技术的不断发展，越来越多的用户利用微博、产品评论、影视评论和用户反馈等形式表达其立场态度。这些评论以及反馈数据广泛涉及到包括书籍类、电脑类和化妆品类等众多领域，为企业提供了大量的用户态度倾向信息。实现用户态度倾向的自动判别有利

4、于企业及时获取用户对产品的认可度，为进一步分析用户需求，实现个性化推荐提供依据。但常用的利用单一领域知识进行模型学习和识别的方法中，大量手工标定标签的需求与实际应用中样本数目不足、手工标定成本高等矛盾日渐突出。考虑到文本描述中用户情感表达的类似特点，有研究者开始探讨将已有领域训练的情感分析模型用于其他领域。然而现实问题中，由于人们在不同的领域中用不同的词来表达相同的情感，所以在某一领域训练得到的分类器不能直接应用到其他领域。因而研究和提出有效的跨领域情感极性分析方法具有重要的应用和研究价值。跨领域情感分析方法的关键在于降低领域之间差异，

5、目前方法通常在实例、特征和模型三个层次探索领域自适应的解决方案。基于特征自适应的方法是通过特征表示传递将源领域和目标领域的语句映射到同一特征分布中，相对实例加权自适应方法，在更抽象层次建立领域词之间的映射关系。以无关词为桥梁的图谱特征对齐方法，不但可以减少领域差异，而且可以发掘出更鲁棒的特征。以该方法为基础，本文进一步探索了领域无关词与领域相关词的相关关系，研究并提出了基于关联规则的词对齐方法。同时探讨了深度学习方法在抽象特征学习中的优势，改进了基于深度学习的文本情感极性分析方法，进一步探索了基于模型层的领域自适应方法。在公共库上实践和

6、验证了所提算法的有效性。本文主要工作和创新点包括：(1)提出了一种基于关联规则进行词对齐的方法来实现词语映射，提升了不同领域中表达相同情感的不同词语的对齐效果，为实现跨领域文本情感极性分析提供了基础。该方法使用无关词作为桥梁来减少领域间的差异，并对领域无关词与领域相关词之间的关联规则进行挖掘，利用强关联规则将不同领域中的领域相关词进行对齐进而将源领域和目标领域样本映射到同一特征分布中。在Amazon产品评论数据集上的实验结果表明，本文提出的方法在准确率、传递损失和传递率多个评价指标上优于现有的主流方法。(2)提出了一种动态卷积超限学习算

7、法，将超限学习机(ELM)用于动态卷积神经网络中，改善了动态卷积神经网络在文本情感分类中的泛化能力，提高了文本情感极性分类效果。在充分利用卷积运算提取显著特征的基础上，利用超限学习-I-北京工业大学工程硕士专业学位论文机替代全连接层，实现对多层网络所提特征的分类。利用参数随机生成的扰动性能，降低分类端对训练样本的依赖，避免过拟合，提升分类性能。在公共数据集上的实验表明，本文提出的方法在准确率、F1测度等多个标准指标上均优于改进前的动态卷积神经网络以及若干改进ELM算法。(3)研究了动态卷积超限学习算法在跨领域情感分类中的特点，探讨了面向

8、跨领域的动态卷积超限学习模型的改进和应用方法。在利用源领域带标签样本对深度网络模型进行参数学习的基础上，将全连接层前面的网络参数保留下来应用到目标领域数据的特征提取中。在模型中添加一层适应层，利用目标领域中