【《基于多轮对话的情绪分析系统构架分析概述》1200字】

基于多轮对话的情绪分析系统构架分析概述目录TOC\o"1-2"\h\u3768基于多轮对话的情绪分析系统构架分析概述 140841.1整体架构 1141891.2多轮对话情绪分析模型构建 2305701.3网站前后端架构 31.1整体架构基于对话的情绪分析系统网站设计架构如图1.1所示，整个系统的构建分文两个大部分，一部分是整个网站的搭建，另一部分为情绪分析模型的构建。图1.1模型整体架构图网站的搭建流程主要分为四个步骤：首先使用HTML、CSS搭建静态网页，之后用JavaScript写脚本实现动态网页，随后用Ajax处理前后台的HTTP请求，最后在后台直接使用Django框架进行管理。情绪分析模型构建流程如下：首先建立数据集，然后对获取到的数据进行文本预处理，清洗好数据后就可以训练语料建立词向量，获得数字化表示后可以进行模型构建及训练以及验证集验证。1.2多轮对话情绪分析模型构建情绪分析模型部分的整体架构如图1.2所示，主要分为四部分内容：数据预处理、构建词向量、模型构建、模型训练及测试。数据预处理主要过程如下：首先是区分出单个句子，因为所获取的数据集很多句子混杂在一起的，而深度学习模型需要针对单个句子进行建模和计算，因此要根据句子间隔符区分出多轮对话中的每个单个句子。然后是利用正则表达式去清洗句子，因为使用的是中文文本的相关技术，去掉非中文的英文大小写、数字等其他字符来获取绝对干净的句子。之后就是利用jieba工具包进行分词，将句子划分为一个个单词。最后根据停用词词典去掉停用词，停用词即没有实际意义的客观词，去掉停用词，这将对之后词向量的构建及模型的构建和分析都有积极作用。图1.2情绪分析模型架构图构建词向量的过程如下：首先是分别使用one-hot、Glove、Word2vec模型构造词典，这三个技术将在第四章中进行详细介绍，这样句子中的每一个单词就可以用数字化的方式表示出来，可以作为深度学习模型的正确输入。然后将句子成划分训练集、验证集、测试集，准备好模型构建好之后模型训练、验证、测试所需要的数据集。模型构建流程如下：本文主要用到了三个模型，首先是利用Pytorch包构建LSTM模型，然后利用Keras包构建CNN模型和TextCNN模型，最后是构建了一种融合模型，将前面两大类的模型串联起来构建成文新的模型，在这个模型中CNN模型的输出作为LSTM的输入，这样所获得的模型既融合了强大的特征提取又包含了时间序列的相关信息，是一种很好的方法。模型训练及测试过程如下：定义优化器，定义损失函数，然后输入训练数据得到损失及准确率，输入验证数据得到损失及准确率，输入测试集得到损失及准确率，模型进行五轮训练及验证，最后输出平均准确率。1.3网站前后端架构如图1.3所示，整个网站的搭建分为前端设计、后端设计、及前后端交互设计三个方面。图1.3网站框架图前端设计中，首先是静态网页搭建，即设计显示在Web页面的整体页面的布局及样式；其次是写脚本语言将静态的网页变为动态的网页，实现事件响应、数据显示等。前后端交互处理网站的HTTP请求。本文中使用Ajax进行不同URL之间的数据传送，即进行POST操作，其中传输的数据为JSON格式。之后使用页面不同的URL作为数据的传送地址，实现数据在前后台的传输；最