1. 研究目的与意义（文献综述）

随着计算机科学的蓬勃发展，web2.0 时代也已经到来，所谓 web2.0，就是摒弃以往的中心节点产生大量信息资源对用户进行单项输出的模式，而是由用户产生的信息资源为主导，形成全新的互联网内容交互模式，用户在浏览内容的同时也制造内容，这使得互联网信息内容呈现几何级的增长。用户产生的信息主要有文字，图片，视频等形式，其中文字又是最简单直接的信息来源，其内容覆盖广泛，产生的数据量十分庞大.而且语言文字是同历史文化的发展紧密结合在一起的，具有非常大的非规则性与不确定性，如何处理好互联网用户产生的文字内容，人类如何用自然语言与机器实现真正的人机交互，这是 web2.0 时代亟待解决的问题，也是文本分析领域需要实现的最终目标。近年来移动互联网用户自发产生了海量的有价值的评论信息，这些信息无论是在商业领域还是在学术领域都具有非常巨大的挖掘价值，但同时这些评论信息也具有表现形式多元化，数量巨大等特征，而且随着互联网的发展，这类信息的数量也随之高速增长，这些特点给利用计算机快速获取与整理分类这些信息带来了很大的难度，因此文本的情感分析技术应运而生。

文本情感分析是使用计算机技术，对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。按照研究手段的不同，情感分析可以分为语言学角度的情感分析，统计学角度的情感分析以及机器学习与深度学习方法的情感分析。同时对于不同的语言，也有一些针对不同语言特点的研究方法。总体而言，随着互联网中用户产生的评论文本数据越来越多，文本的情感分析也会起到越来越重要的作用，在对文本情感分析的研究中所使用的研究手段对于自然语言处理领域的其他问题也有很强的借鉴与参考意义。仅就目前而言，文本分析有以下几个重要的应用领域：

(1).用户评论分析与决策

2. 研究的基本内容与方案

2.1基本内容

本次毕业设计内容是将卷积神经网络与支持向量机结合起来，充分利用深度学习自动化的提取特征以及支持向量机强大的分类能力的优势，来得到一个较好的结果。最后利用提出的算法，开发一个基于互联网的评论情感分析系统来自动化的处理用户的评论文本，清楚明了的展示文本的情感极性。需解决的问题：

语料的收集与预处理：语料的收集需要编写一个爬虫，用广度优先搜索的算法搜索网页，然后解析网络提取内容并保存在本地。语料收集好后对语料进行分词、去停用词处理。

3. 研究计划与安排

1~3周：调研，完成开题报告。

4周：熟悉python语言和开源工具tensorflow。

5周：学习数据预处理方法，对文本数据进行预处理。

4. 参考文献（12篇以上）

[1] 陈晓阳. 基于深度学习的短文本语义相似度计算[d]. 北京理工大学, 2015.

[2] 张卫. 互联网商品评论情感分析研究[d]. 重庆大学, 2016.

[3] 林荣华. 基于卷积神经网络的句子分类算法[d]. 浙江大学, 2015.