毕业论文课题相关文献综述
文 献 综 述1. 研究背景： 随着互联网技术以及社交网络技术的不断发展，越来越多的人更加喜欢在网络上发表自己对于电影电视剧等多媒体艺术的评论看法，通过这些在线的影评，这也为电影投资人带来了更加便利的方式来获取观影用户对于电影的反馈，从而能够做出更加可靠合理的电影投资决策，同时这也使得电影爱好者们在观影前能够对各电影有一个比较初步的了解，协助选择观影。
当然要达到这些目的，对网络上大量的影评进行合理的数据处理是必要的，这必须借助计算机的手段来完成，在这个领域中，情感分析是一个非常重要的课题。
情感分析或者也叫观点挖掘[1]是一种研究人们对于某些事物例如产品、服务、个人、组织等等的观点和看法的基于计算机的研究[2]，主要的是将文本分类为两类积极的（正面的）和消极的（负面的），自从在2002年被提出[3]，情感分析已经成了为自然语言处理（NLP）领域一个非常活跃的研究方向。
在对于中文文本的情感分析研究中，传统的一些研究方案分为基于情感词典的方法[12]和基于机器学习的方法，其中基于机器学习的方法包括采用支持向量机（SVM）[4], 最大熵模型（Maximum Entropy）[5]等等，随着近些年深度学习技术的突飞猛进，神经网络模型也被越来越多的应用在这一领域中，其中效果比较显著的神经网络模型有卷积神经网络（CNN）[6]、循环神经网络(RNN)[7]等等，但是这些模型或多或少都有着一些局限性，随着长短期记忆网络（LSTM）[8]的出现在人们的视野中，越来越多的情感分析的课题开始运用这一模型，取得了比较不错的效果。
2. 模型介绍：常在情感分析的中使用的几种神经网络模型有CNN，RNN和LSTM，我分别介绍这三种模型：卷积神经网络（CNN）[9]：卷积神经网络是一种前馈神经网络，最开始的时候被广泛运用在计算机视觉领域，并取得了非常出色的成果, 卷积神经网络是模仿人类的视觉皮层所提出的神经网络模型，在计算机视觉领域当中，CNN的输入通常是图片像素，而到了自然语言处理领域，它的输入通常变为由矩阵表示的语句。
卷积神经网络主要由两层组成：卷积层和池化层： 1. 卷积层：卷积层是对原始的输入进行特征提取，通过卷积运算最终在每个维度获取多个feature map。
2. 池化层：池化层是对就是对卷积层获得的特征进行进一步的压缩，将其中最重要的特征提取出来，选择feature map中特征值最大的值作为特征。
最终通过CNN通过一个全连接层使用softmax得到可能性的概率进行分类。
循环神经网络(RNN): 循环神经网络是指一个随着时间的推移，重复发生的结构。
在自然语言处（NLP），语音图像等多个领域均有非常广泛的应用。
