一种基于深度学习的社交网络文本情感细粒度分类方法.pdf
是立****92
亲,该文档总共18页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于深度学习的社交网络文本情感细粒度分类方法.pdf
本发明提供一种基于深度学习的社交网络文本情感细粒度分类方法,涉及情感多分类领域,本发明使用Scrapy框架爬取社交网络文本数据,进行数据清洗、分词,将分词结果作为word2vec的输入进行词向量转化;基于CNN模型进行文本的情感8分类,将词向量转化结果作为CNN嵌入层的输入,进行卷积、池化、概率计算等前向、反向传播过程训练模型,实现对网络评论情感分类的迁移学习,对社交网络文本进行二轮抽样实现实例迁移、训练分类器,并对评论进行情感预测;对前述工作进行系统设计,对分析结果进行可视化展示,利用MVC三层架构设计
基于图卷积网络的社交网络文本情感细粒度分类方法.pdf
本发明提供一种基于图卷积网络的社交网络文本情感细粒度分类方法,涉及自然语言处理(NLP)中检测文本作者情感极性的领域。本发明对于社交网络文本上的愤怒、厌恶、恐惧、快乐、喜欢、悲伤和惊讶等情绪进行分类,建立了一种基于语法的细粒度情感检测图形卷积网络(GCN)模型。该模型采用BI‑LSTM网络对给定文本进行初步特征提取,将句子图的初步特征和邻接矩阵输入到一个单层GCN中,以利用句子的句法结构,最后得到池化层或全连接层的概率分布。用BI‑LSTM网络与GCN相结合,增强了模型对汉语文本不同语法结构的理解,提高了
一种基于文本图神经网络的社交文本情感分类方法和系统.pdf
本发明公开了一种基于文本图神经网络的社交文本情感分类方法和系统,属于自然语言处理技术领域。包括接收目标文本,并去除所接收的文本中的异常值;利用BERT模型获取所述目标文本的词嵌入;获取所述目标文本的情感极性特征,利用SentiWordnet情感字典源计算目标文本的每个单词的情感分数,以每个单词的最终得分作为单词的情感极性特征;将所述目标文本的词嵌入和情感极性特征进行拼接,形成初始词向量;将所述目标文本构建为文本图结构,将所述初始词向量作为文本图的节点初始特征,然后利用文本图神经网络消息传递机制进行特征提取
一种基于深度学习的中文文本分类方法.pdf
一种基于深度学习的中文文本分类方法,结合Word2Vec词向量与LDA词向量作为词嵌入以增强文本主题特征;编码阶段将自注意力机制以及RNN网络结合可以实现对文本进行深度语义特征提取的同时保留序列特征。本发明对于输入的一篇中文文本,运用系统模型,能够有效提升文本分类的准确率。本发明融合了Word2Vec词向量与LDA词向量作为词嵌入,并结合了循环神经网络(RNN)以及自注意力机制(Self‑Attention)的特征提取优势,极大程度上改善了文本分类准确率,从而使得人们的信息处理效率进一步提升。
基于深度学习的评论文本方面级情感分类方法及系统.pdf
本发明提供一种基于深度学习的评论文本方面级情感分类方法,先将评论文本进行预处理,包括分词和去除停用词,然后对方面词及对应的标签进行平衡处理,生成平衡样本,再将平衡样本与原始样本中的中文词语进行向量化,获得平衡样本中的词向量;输入到模型中进行评论结果的预测;所述模型是根据深度神经网络构建的深度学习模型,通过方面词的词向量与句子其他词语进行相似度计算,生成平衡样本的方面情感语义矩阵。本发明通过平衡处理和构建Attn‑Bi‑LCNN模型,能够有效输出情感语义矩阵,提高了模型的精准度与实际应用时的预测速度,从而使