基于RNN和LDA模型的商品評(píng)論情感分類(lèi)研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，網(wǎng)購(gòu)已成為人們?nèi)粘Ｉ钪胁豢煞指畹囊徊糠?，互?lián)網(wǎng)商品評(píng)論數(shù)量也呈指數(shù)增長(zhǎng)。挖掘這些評(píng)論的情感傾向可以幫助消費(fèi)者快速地確定購(gòu)買(mǎi)意向，同時(shí)也可以幫助賣(mài)家了解消費(fèi)者對(duì)商品的滿意程度，分析出商品的優(yōu)勢(shì)和劣勢(shì)，做出銷(xiāo)售決策。但是面對(duì)如此海量的商品評(píng)論信息，僅靠人工分析獲取評(píng)論的情感傾向費(fèi)時(shí)費(fèi)力且?guī)в兄饔^性，因此如何對(duì)海量的商品評(píng)論進(jìn)行自動(dòng)化地情感分析，具有重要的研究意義。
　　本文主要從兩個(gè)方面對(duì)商品評(píng)論情感分類(lèi)進(jìn)行研

2、究:粗粒度的商品評(píng)論情感分類(lèi)和細(xì)粒度的商品評(píng)論屬性情感分類(lèi)，具體創(chuàng)新成果如下:
　　(1)提出基于LSTM的雙向GRU的商品評(píng)論情感分類(lèi)方法。針對(duì)機(jī)器學(xué)習(xí)方法解決情感分類(lèi)問(wèn)題時(shí)是基于淺層特征，而且分類(lèi)器性能有限的問(wèn)題，本文利用Word2vec構(gòu)建深層學(xué)習(xí)特征，分類(lèi)器模型選用基于遞歸神經(jīng)網(wǎng)絡(luò)的LSTM模型，可以記住序列前面的信息，而且解決了長(zhǎng)時(shí)依賴(lài)、梯度爆炸問(wèn)題。然后針對(duì)該模型只能捕獲上文特征信息的問(wèn)題提出可以捕獲上下文特征信息的雙

3、向GRU模型，實(shí)驗(yàn)結(jié)果表明:LSTM模型僅靠模型自身其分類(lèi)準(zhǔn)確率就達(dá)到了90.03％，與機(jī)器學(xué)習(xí)方法表現(xiàn)最好的SVM模型相比提高了8.9％，而且雙向GRU算法又將準(zhǔn)確率由90.03％提高到了92.85％。
　　(2)提出基于大規(guī)模情感詞典和雙向GRU相結(jié)合的商品評(píng)論情感分類(lèi)方法。針對(duì)雙向GRU模型需要人工進(jìn)行標(biāo)注，存在領(lǐng)域依賴(lài)性、個(gè)人主觀性以及浪費(fèi)人力的不足，提出基于大規(guī)模情感詞典和雙向GRU相結(jié)合的改進(jìn)算法。實(shí)驗(yàn)結(jié)果表明:將兩者

4、相結(jié)合的改進(jìn)算法得到了93.96％的準(zhǔn)確率，在雙向GRU模型的基礎(chǔ)上提高了1.11％，與大概摸情感詞典和SVM相結(jié)合的算法相比提高了5.33％。
　　(3)提出基于SC-LDA模型的屬性和情感詞抽取方法。針對(duì)目前的一些改進(jìn)型主題模型對(duì)于低頻同義屬性詞和情感詞的提取率不高的缺陷，本文將語(yǔ)義約束引入到標(biāo)準(zhǔn)LDA模型中，提出了SC-LDA模型，提高了主題詞語(yǔ)的識(shí)別度和區(qū)分度及它們之間關(guān)聯(lián)關(guān)系的提取率。實(shí)驗(yàn)結(jié)果表明:該模型將正確率提高到8