导　　师： 董敏

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 随着互联网的普及,人们喜欢在互联网上主动分享自己的观点意见和情绪感受,其中大部分情感内容都以文本为形式。对这些文本进行情感分析,有利于政府控制舆情、企业精准营销和消费者了解产品。因此,对常见的文本内容:微博和用户评论进行情感分类,是一个很有研究意义的课题。本文分别针对基于词向量和改进损失函数的情感分类、基于卷积神经网络和注意力机制的情感分类、基于特征融合和模型融合的情感分类这三个方面进行研究。(1)基于词向量和改进损失函数的情感分类。针对现有词向量在情感语义相似度表现不太理想的问题,本文使用包含较多情感色彩的用户评论语料训练词向量,实验表明,获得的词向量对情感分类效果有明显的提升。针对常用的交叉熵损失函数不考虑预测错误的概率和类别,导致对“较容易分错”和不平衡的样本不敏感的问题,本文提出一种新的损失函数,同时考虑预测错误和正确的概率对损失的影响,并引入类别权重,提高不平衡数据的分类效果。(2)基于卷积神经网络和注意力机制的情感分类。针对Kim提出的TextCNN(Convolution Neural Network)只在句子长度方向上进行一维卷积,缺少词嵌入维度上的卷积,和池化层只有最大池化,可能丢失重要信息的不足,本文提出四种改进网络结构,在卷积层加入词嵌入维度上的四种卷积,在池化层加入平均池化,提取更充分的特征。本文借鉴Vaswani等人提出的Transformer只使用注意力构建机器翻译模型的思想,考虑以单层多头注意力机制作为情感分类模型,针对一般的注意力机制效果不好的问题,本文提出三种改进的点积注意力机制结构,加入残差连接、非线性函数,提高注意力机制的分类效果。实验验证了,本文提出的两种改进模型对分类准确率均有较好的提高。(3)基于特征融合和模型融合的情感

关 键 词： 文本情感分类 卷积神经网络 注意力机制 特征融合 模型融合

领　　域： []