基于深度学习的文本情感分析研究

作     者：张斯达 

作者单位：哈尔滨理工大学 

学位级别：硕士

导师姓名：孙冬璞

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：情感分析 深度学习 情感词典 门控循环单元 注意力机制 

摘      要：近年来,电子商务领域迎来了蓬勃发展,网络上的评论和观点也逐渐增多,情感分析任务的重要性也随之显现。传统基于规则的情感分析方法受词典、句法和未登录词等因素的影响,在处理相对复杂或口语化的文本时,效果十分有限。深度学习的方法有效的改善了这种情况,但现有深度学习方法大多并未对情感信息这一特征给予充分的关注。因此,针对两种粒度的情感分析任务,本文将基于规则的方法与深度学习方法相结合,分别提出了BHW＿LEX＿GA模型和BHG＿LEX＿SEN模型,并在相应的数据集上进行了实验与分析。针对句子级情感分析任务中深度学习方法对情感信息利用不充分的问题,提出了BHW＿LEX＿GA模型。该模型在向量化文本前,首先使用情感词典对原文本进行过滤,将处理后的文本输入BERT模型进行词嵌入操作。该模型采用BERT模型作为词嵌入方式的同时,对BERT模型的隐藏层进行处理。采用加权的方式融合部分隐藏层,将权重作为参数参与模型的训练过程,并在下游神经网络处引入注意力机制输出极性结果。最后,在选取的IMDB数据集和SST-2数据集上,对新模型的性能进行了测试。针对属性级文本情感分析任务中诸如属性抽取或类别分类等子任务对最终结果的影响,将属性级情感分析视为一个端到端的任务,提出了BHG＿LEX＿SEN模型。该模型引入了情感词典,对文本中的情感词进行向量化与池化操作,后与原文本的向量化结果一同输入下游神经网络中,以此来提升模型对情感词的关注。然后,将下游网络的输出结果再次与池化结果相拼接并引入注意力机制,计算情感极性得分。将情感极性得分与下游神经网络的输出结果相融合,提升模型在情感极性上的分类准确率。最后,在选取的RESTAURANT和LAPTOP数据集上,对新模型的性能进行了测试。实验结果表明,两种模型在各自粒度的情感分析任务中,均取得了更好的效果。