基于深度神经网络的电商评论情感分析研究
这是一篇关于情感分类,深度学习,卷积神经网络,门限循环单元,注意力机制的论文, 主要内容为随着信息技术的飞速发展和电商平台数量的剧增,人们日常生活中使用网购的次数越来越多,用户在电商平台上发表意见、表达情感的需求也愈发强烈,继而产生了海量亟待处理的商品评论文本。利用自然语言处理技术对电商平台的文本进行分析,并挖掘其中所包含的情感倾向,也成为行业调查和厂家售后信息反馈的重要途径。因此,研究针对商品评论的文本情感分析方法具有重要的商业价值和社会意义。目前国内对于文本情感分析的研究主要聚焦于微博文本与电影影评等方面,对电商评论的情感分类研究相对较少。针对以上问题,本文在数据来源上做出工作,使用网络爬虫技术获取京东电热水器分类的商品评论。并以抓取的的评论语料为基础,通过改进现有的情感分类算法,提出了基于深度学习的针对电商评论的情感分类模型,并通过实验证明模型比现有的算法具有更好的效果。具体工作如下:1.针对电商平台特殊的页面结构,本文基于Python中的Scrapy框架,开发出了一套具有多线程,代理池,智能调度特点的网络爬虫程序。该工程能够根据制定的规则自适应地抓取最新评论数据,并防止电商平台的反爬虫机制和网络异常状况的影响。抓取后的数据经简单清理后在数据库中持久化保存,以作为本文实验部分的数据来源。2.针对卷积神经网络在情感分类中的运用展开研究。研究发现,在电商文本情感分类任务中,基础的卷积神经网络对短距离的特征抽取效果较好,但对于情感倾向性影响较大的部分词性没有给出重点关注。本文因此提出了结合词性特征和预训练词向量的卷积神经网络模型(tCNN),经实验表明,该模型相对基础的卷积神经网络文本分类,在性能上具有一定的提升。3.本文针对现有的循环神经网络在情感分类任务中的应用展开研究。提出了结合注意力机制的双向门限循环单元AttBiGRU,并在此之后对tCNN与AttBiGRU模型修改后进行融合。实验证明,融合后的tCNN-AttBiGRU模型在短文本分类任务上具有更高性能。
基于深度神经网络的电商评论情感分析研究
这是一篇关于情感分类,深度学习,卷积神经网络,门限循环单元,注意力机制的论文, 主要内容为随着信息技术的飞速发展和电商平台数量的剧增,人们日常生活中使用网购的次数越来越多,用户在电商平台上发表意见、表达情感的需求也愈发强烈,继而产生了海量亟待处理的商品评论文本。利用自然语言处理技术对电商平台的文本进行分析,并挖掘其中所包含的情感倾向,也成为行业调查和厂家售后信息反馈的重要途径。因此,研究针对商品评论的文本情感分析方法具有重要的商业价值和社会意义。目前国内对于文本情感分析的研究主要聚焦于微博文本与电影影评等方面,对电商评论的情感分类研究相对较少。针对以上问题,本文在数据来源上做出工作,使用网络爬虫技术获取京东电热水器分类的商品评论。并以抓取的的评论语料为基础,通过改进现有的情感分类算法,提出了基于深度学习的针对电商评论的情感分类模型,并通过实验证明模型比现有的算法具有更好的效果。具体工作如下:1.针对电商平台特殊的页面结构,本文基于Python中的Scrapy框架,开发出了一套具有多线程,代理池,智能调度特点的网络爬虫程序。该工程能够根据制定的规则自适应地抓取最新评论数据,并防止电商平台的反爬虫机制和网络异常状况的影响。抓取后的数据经简单清理后在数据库中持久化保存,以作为本文实验部分的数据来源。2.针对卷积神经网络在情感分类中的运用展开研究。研究发现,在电商文本情感分类任务中,基础的卷积神经网络对短距离的特征抽取效果较好,但对于情感倾向性影响较大的部分词性没有给出重点关注。本文因此提出了结合词性特征和预训练词向量的卷积神经网络模型(tCNN),经实验表明,该模型相对基础的卷积神经网络文本分类,在性能上具有一定的提升。3.本文针对现有的循环神经网络在情感分类任务中的应用展开研究。提出了结合注意力机制的双向门限循环单元AttBiGRU,并在此之后对tCNN与AttBiGRU模型修改后进行融合。实验证明,融合后的tCNN-AttBiGRU模型在短文本分类任务上具有更高性能。
基于深度神经网络的电商评论情感分析研究
这是一篇关于情感分类,深度学习,卷积神经网络,门限循环单元,注意力机制的论文, 主要内容为随着信息技术的飞速发展和电商平台数量的剧增,人们日常生活中使用网购的次数越来越多,用户在电商平台上发表意见、表达情感的需求也愈发强烈,继而产生了海量亟待处理的商品评论文本。利用自然语言处理技术对电商平台的文本进行分析,并挖掘其中所包含的情感倾向,也成为行业调查和厂家售后信息反馈的重要途径。因此,研究针对商品评论的文本情感分析方法具有重要的商业价值和社会意义。目前国内对于文本情感分析的研究主要聚焦于微博文本与电影影评等方面,对电商评论的情感分类研究相对较少。针对以上问题,本文在数据来源上做出工作,使用网络爬虫技术获取京东电热水器分类的商品评论。并以抓取的的评论语料为基础,通过改进现有的情感分类算法,提出了基于深度学习的针对电商评论的情感分类模型,并通过实验证明模型比现有的算法具有更好的效果。具体工作如下:1.针对电商平台特殊的页面结构,本文基于Python中的Scrapy框架,开发出了一套具有多线程,代理池,智能调度特点的网络爬虫程序。该工程能够根据制定的规则自适应地抓取最新评论数据,并防止电商平台的反爬虫机制和网络异常状况的影响。抓取后的数据经简单清理后在数据库中持久化保存,以作为本文实验部分的数据来源。2.针对卷积神经网络在情感分类中的运用展开研究。研究发现,在电商文本情感分类任务中,基础的卷积神经网络对短距离的特征抽取效果较好,但对于情感倾向性影响较大的部分词性没有给出重点关注。本文因此提出了结合词性特征和预训练词向量的卷积神经网络模型(tCNN),经实验表明,该模型相对基础的卷积神经网络文本分类,在性能上具有一定的提升。3.本文针对现有的循环神经网络在情感分类任务中的应用展开研究。提出了结合注意力机制的双向门限循环单元AttBiGRU,并在此之后对tCNN与AttBiGRU模型修改后进行融合。实验证明,融合后的tCNN-AttBiGRU模型在短文本分类任务上具有更高性能。
基于GRU网络的电商混合推荐算法的研究与应用
这是一篇关于电商推荐,门限循环单元,矩阵分解,注意力机制,生成对抗网络的论文, 主要内容为近年来,电商个性化推荐成为电商领域的研究热点。目前个性化电商推荐技术虽然已经取得了不错的成绩,但冷启动、推荐结果多样性、推荐算法高效性等诸多问题依旧制约着个性化推荐技术的发展。随着电商个性化推荐领域中根据用户短期会话数据进行推荐和混合推荐技术的发展,研究人员可以利用深度学习技术,分析用户的多维历史数据从而得出用户可能感兴趣的商品。本文主要以电商平台的用户和商品的历史数据为研究对象,探讨基于深度学习的电商个性化混合推荐模型。本文首先提出了一种基于GRU网络和矩阵分解的混合推荐算法HGRU,并引入注意力机制获得候选推荐列表。然后,构建一种生成对抗网络模型HGRU-GAN对候选推荐列表进行重排序。最后,完成融合了本文提出的混合推荐算法的电商推荐系统的设计与实现。具体工作内容如下所示:(1)针对现有的大多数推荐算法在进行推荐时过度依赖用户历史信息,在数据稀疏的情况下无法取得较好的推荐效果等问题。本文提出了一种混合电商推荐算法HGRU。该算法对原有GRU推荐算法进行改进,引入矩阵分解算法对用户长期信息进行获取,引入注意力机制对用户的主要购买意图进行判断。通过对用户-商品评分矩阵进行矩阵分解从而得到用户和商品的长期隐含因子。GRU网络通过对用户点击行为的分析得到用户短期的购买兴趣。HGRU算法一方面弥补了GRU推荐算法对于用户长期信息获取能力不足的缺陷,另一方面改善了由用户的不相关操作给推荐算法带来干扰的问题。(2)针对HGRU算法的推荐列表排序问题进行进一步优化。虽然HGRU在平均倒数排名上相比于GRU-Rec等比较先进的算法已经取得了一定的进步,但由于购买商品是受多种因素影响的,在推荐列表的排序方面仍有进步的空间。本文提出一种生成对抗网络模型HGRU-GAN来强化HGRU算法对于商品相关性评分的学习,使得推荐列表中召回的商品位置更加靠前。HGRU-GAN将HGRU作为生成器,设计了一个对称网络作为判别器。判别器试图在生成器生成的推荐列表中区分真正的高评分商品,生成器试图欺骗判别器产生更好的推荐列表。与HGRU算法进行对比,HGRU-GAN在YOOCHOOSE1/3数据及上MRR提升了4.8%,在DIGINETICA数据及上MRR提升了5.2%。(3)完成了电商平台的设计与实现并将本文提出的混合推荐算法应用于平台之上。个性化电商推荐平台使用了大数据技术进行搭建,使得电商平台能够应对海量的数据储存预处理。
基于GRU网络的电商混合推荐算法的研究与应用
这是一篇关于电商推荐,门限循环单元,矩阵分解,注意力机制,生成对抗网络的论文, 主要内容为近年来,电商个性化推荐成为电商领域的研究热点。目前个性化电商推荐技术虽然已经取得了不错的成绩,但冷启动、推荐结果多样性、推荐算法高效性等诸多问题依旧制约着个性化推荐技术的发展。随着电商个性化推荐领域中根据用户短期会话数据进行推荐和混合推荐技术的发展,研究人员可以利用深度学习技术,分析用户的多维历史数据从而得出用户可能感兴趣的商品。本文主要以电商平台的用户和商品的历史数据为研究对象,探讨基于深度学习的电商个性化混合推荐模型。本文首先提出了一种基于GRU网络和矩阵分解的混合推荐算法HGRU,并引入注意力机制获得候选推荐列表。然后,构建一种生成对抗网络模型HGRU-GAN对候选推荐列表进行重排序。最后,完成融合了本文提出的混合推荐算法的电商推荐系统的设计与实现。具体工作内容如下所示:(1)针对现有的大多数推荐算法在进行推荐时过度依赖用户历史信息,在数据稀疏的情况下无法取得较好的推荐效果等问题。本文提出了一种混合电商推荐算法HGRU。该算法对原有GRU推荐算法进行改进,引入矩阵分解算法对用户长期信息进行获取,引入注意力机制对用户的主要购买意图进行判断。通过对用户-商品评分矩阵进行矩阵分解从而得到用户和商品的长期隐含因子。GRU网络通过对用户点击行为的分析得到用户短期的购买兴趣。HGRU算法一方面弥补了GRU推荐算法对于用户长期信息获取能力不足的缺陷,另一方面改善了由用户的不相关操作给推荐算法带来干扰的问题。(2)针对HGRU算法的推荐列表排序问题进行进一步优化。虽然HGRU在平均倒数排名上相比于GRU-Rec等比较先进的算法已经取得了一定的进步,但由于购买商品是受多种因素影响的,在推荐列表的排序方面仍有进步的空间。本文提出一种生成对抗网络模型HGRU-GAN来强化HGRU算法对于商品相关性评分的学习,使得推荐列表中召回的商品位置更加靠前。HGRU-GAN将HGRU作为生成器,设计了一个对称网络作为判别器。判别器试图在生成器生成的推荐列表中区分真正的高评分商品,生成器试图欺骗判别器产生更好的推荐列表。与HGRU算法进行对比,HGRU-GAN在YOOCHOOSE1/3数据及上MRR提升了4.8%,在DIGINETICA数据及上MRR提升了5.2%。(3)完成了电商平台的设计与实现并将本文提出的混合推荐算法应用于平台之上。个性化电商推荐平台使用了大数据技术进行搭建,使得电商平台能够应对海量的数据储存预处理。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://bishedaima.com/lunwen/56047.html
