基于深度学习的影视剧评论情感分析及趋势分析和预测

基于深度学习的影视剧评论情感分析及趋势分析和预测目录1论文选题依据.…1.论文选题背景及选题意义】1.1.】论文选@背景…。.....1.1.2论文选题意义…22论文研究方案.....32.1论文研究目标.32.2论文研究内容.32.3论文拟解决的关键问趣.52.4论文拟采取的研究方法、技术路线..52.5论文研究方案及可行性分析。2.6论文创新观点..53预期达到的目标及可行性分析.....53.1论文预期达到的目标..54毕业设计（论文）时间及个人任务计划..64.1毕业设计（论文）时间..64.2毕业设计（论文）个人任务计划.64.2.1毕设第1周.64.2.2毕设第2周64.2.3毕设第3周…..64.2.4毕设第4周..64.2.5毕设第5周.….74.2.6毕设第6周74.2.7毕设第7周..74.2.8毕设第8周.74.2.9毕设第9周.74.2.10毕设第10周..74.2.11毕设第11周…74.2.12毕设第12周..74.2.13毕设第13周.74.2.14毕设第14周….74.2.15毕设第15周.…84.2.16毕设第16周.85主要参考文献....……1论文选题依据1.1论文选题背景及选题意义1.1.1论文选题背景随着互联网的高速发展及智能设备在大众的普及，人人都成为了互联网数据的产生源。大量用户习惯在网络上发表关于影视作品评论，商品的用户评价，书籍观后感，微博上热点事件的看法等。这些与用户交互的领域会产生很多带有用户情感的文本，它们能充分表达用户观点，情感和立场，对类似的用户情感文本进行深入的分析，能快速了解用户市场，从而分析行业，领域的用户倾向。情感分析成为了自然语言处理的个重要领域，情感分析就是用各种数据挖掘的方法对文本进行分析，提取出系列的观点，看法和情感倾向。利用情感分析的结果实现意见导向的信息系统，在现实产业中有巨大的使用价值。对不同的数据进行情感分析能产生出不同的价值。关于情感分析的研究也很火热，最近的研究有将情感分析应用在购物网站的评论中，挖掘用户的整体情绪，还有基于描述的形容词名词词对图像进行情感预测，还有人提出了量子启发的情感表征模型，该模型基于形容词和副词设计的情感模式来实现的，国内最大的评论系统豆瓣社区网站，利用用户真实的评论进行情感分析，对书籍，电影，音乐，影视剧等进行打分评估，帮助用户发现感兴趣的内容。随着网络视频媒体的兴起，传统的有线电视媒体逐渐转变为网络线上播放的形式，影视剧的播放量直接影响到视频平台的收入，各大视频网站为了吸引用户观看都在购买影视剧版权，如何估计影视剧的价值成为个重要的问题。对影视剧版权进行估值会考虑它的市场价值，收视率以及社会影响力，其中市场价值是个重要因素。在全球数据飞速增长的当下，应用大数据的挖掘方法和分析工具来对电视剧的市场进行分析与预测，可以辅助购片人降低投资风险，增加收视率，以求获得最大收益。其中通过对影视剧的评论数据进行分析，可以很清晰的了解用户对影视剧的喜好和影响用户喜好的因素。所以影视剧的用户评论数据是个非常有价值的数据，本论文针对视频网站的影视剧评论进行情感分析，以了解用户的市场情绪。1.1.2论文选题意义在国内的豆瓣电影网站上，用户对已经观影过的影视剧进行综合评论打分，但是现在很多用户习惯在观看视频的时候直接进行评论，这样在每集视频下出现了大量的无打分评论。如果能对热门剧集中的评论附上情感标签，对用户和影视版权购买方都有个很好的参考价值。国内外的影视评论分析大多是针对观看者设置的，很少有专门针对视频购买方做的影视评论分析，视频购买方不仅需要知道用户评论的情感标签，还需要了解随着剧集推进的用户情感变化，影响用户评价的关键因素。因此，本文在深度学习的理论基础上对影视剧评论进行分析并对情感发展的方向进行预测，从而为购买方提供一定的参考，因此具有很强的现实意义。同时本次的研究也能过为国家的影视剧发展方面的理论研究进行丰富。1.2国内外研究现状分析情感分析属于自然语言处理的研究领域，其中情感分类是个最基本的任务。参考情感分类研究进展，可知，早期的情感分类方法主要是基于情感词典加句法规则实现的，这种方法依赖于情感词典的完备性和句子语法规则。随着机器学习的兴起，Pang等人提出使用朴素贝叶斯、支持向量机等模型对影评进行情感分类的研究，Fagi等人提出将词典信息融入到支持向量机中，解决了语句级别的情感分类，Qu等人利用带有评分的弱标注评论数据来训练概率模型实现情感分类任务，朱嫣岚等人通过挖掘HowNET语言知识库中的词汇关系来研究词语的情感倾向。特征工程是机器学习研究的核心主要依赖于人工设计，情感分类任务中常用到的特征有ngmm特征、TFIDF特征等，但是这些特征没有考虑到文本隐藏的语义及语序问题。随着深度学习的火热，利用深度学习技术对文本开展的研究也在增加，Bengio等人首次提出了利用神经网络构建语言模型，随后Mikolov提出了CBOW和skipgram模型改进了词向量的训练方法，在训练词向量的时候考虑了上下文的影响。同时深度学习在文本分类的网络结构也在不断创新，Mikolov提出了结构简单的fastText模型能快速解决文本分类任务，Yoonkim将卷积神经网络应用在文本中，利用卷积神经网络捕捉局部特征的特性，对文本实现了ngmm特征的提取，成功地将卷积神经网络从图像领域迁移到文本领域，LiuP的TextRNN和ZhouTextBi-Lstm提出的改进RNN模型能更好地表达上下文信息，YangZ提出了层次注意力结构的文本分类模型，很好地拟合了文本中句级和词级的关系，Sheikh等人提出的NBOW2模型利用神经词袋模型学习了词权重，Z☑hou等人将RNN与CNN融合创造的CLSTM模型能提取更深层的特征。深度学习模型，能够使用词向量优化对文本的表示，其复杂的网络结构能够自动提取文本的深度特征，将其应用在情感分析中，拟补了传统情感分类方法的缺点。所以本文主要研宄了基于深度学习的情感分类算法和关键词提取算法。文本中的词语对句子意义的影响权重是不样的，本课题在情感分类算法中加入了对注意力机制的研究，解决了语句中情感权重可视化的问题。2论文研究方案2.1论文研究目标随着网络视频媒体的兴起，各大视频网站购买影视剧版权在其平台上播放，影视剧的播放量直接影响视频平台的收入，如何估计影视剧的市场价值成为个重要的问题。通过对影视剧的用户评论数据进行情感分析，可以清晰地了解用户对影视剧的喜好和影响用户喜好的因素，辅助购片人了解市场情绪。因此本论文利用深度学习模型对影视剧用户评论情感进行分析，及发展的方向进行预测，为购片者购片选择提供一定的科学参考。2.2论文研究内容本次研究主要包括以下几个内容，分别是：第一，构建影视评论情感分类语料库。目前用得比较多的情感数据集是公开的IDB影视评论数据国内很少有关于中文的影视评论数据集，同时，影评论语料具有特定的影视剧文化领域词语，且语料还具有文本内容短小，表情较多，主观性很强，网络用语较多，口语化严重等特性，所以构建影评语料库具有很大的挑战。第二，探索基于深度学习的影视评论情感分类方法。深度学习模型的复杂网络结构能够对文本进行合理的特征提取，在LP领域中应用成功，所以本文打算采用深