摘要：现代信息网络高速联通，传统的语言表达借助互联网技术的成熟发展得以飞快地传播，人们也越来越喜欢凭借互联网传达他们的价值观和情感。网络文本正以非同寻常的速度不断堆积，在这样的环境下就必然涉及到了自然语言处理技术中的情感分析，该技术的主要任务是处理互联网中的舆论信息，因为只有运用计算机的方法才能够处理如此庞大的网络文本。所谓的情感分析研究也就是分析大数据，该技术的目标就是要发掘出数据中的情感信息。而具体分析用户的态度（情感、观点），判别文本的主客观性，这种方法叫做文本情感的倾向性分析。具体对于主观信息需要判别其情感倾向，也就是判别其是正面、负面还是中性的。本文主要采用多粒度的情感分析方法进行实验,这类方法可以自动适应不同的粒度，快速响应处理多粒度的文本，最终根据不同粒度而获得相似的情感分析效果。

关键词：自然语言处理；情感分析；多粒度；AT-LSTM

目录

摘要

Abstract

1-绪论-1

1.1-研究背景-1

1.2-情感分析的定义和方法-1

1.3-研究现状及发展趋势-1

1.4-本文组织结构-1

2-相关理论基础-3

2.1-机器学习-3

2.1.1-机器学习基础概念-3

2.1.2-一种常用的分类算法——逻辑回归-3

2.2-神经网络和深度学习-5

2.2.1-人工神经网络简介-5

2.2.2-深度学习下的神经网络-6

2.2.3-神经网络的构建及分类-6

2.3-自然语言处理中的深度学习-10

2.3.1-自然语言处理基本概念-10

2.3.2-自然语言处理与神经网络的结合-10

3-前期准备-12

3.1-神经网络模型的情感分析流程-12

3.2-多粒度LSTM网络模型的构建-12

3.2.1-长短期记忆网络模型(Long Short-Term Memory)-12

3.2.2-多分类问题-16

3.3-神经网络模型的学习过程-16

3.3.1-神经网络的代价函数-16

3.3.2-反向传播算法-17

3.3.3-神经概率语言模型-18

3.4-AT-LSTM网络模型的构建-18

3.4.1-编码器—解码器的RNN模型-18

3.4.2-注意力机制-19

3.4.3-基于注意力机制的LSTM(AT-LSTM)-21

4-实验-23

4.1-实验环境-23

4.2-数据的相关处理-23

4.2.1-本文的数据信息-23

4.2.2-英文切词-23

4.3-AT-LSTM网络模型的情感分析训练与预测-24

4.3.1-实验参数设置-24

4.3.2-实验评价指标-24

4.3.3-AT-LSTM训练词向量-25

4.3.4-实验结果与分析-26

5-总结和展望-29

参 考 文 献-30

致 谢-32