计算机论文哪里有？本文提出了一种基于评论主题情感分析的移动应用细粒度综合评价体系，充分利用语义信息、动态情感构建和主题分析的先进技术，以实现多维度分析移动应用的目的，有效改善现有的评价机制。
第1章 绪论
1.2 国内外研究现状
当前，移动应用评价研究的主要焦点集中在评论主题识别和文本情感分析上，这两个方面的研究对于深入了解用户对应用的反馈、改进应用质量以及提升用户体验具有重要意义[11]。随着互联网的发展，越来越多的人愿意在使用后对某些应用发表自己的意见和评论，形成了大量的评论文本。这些短文通常具有强烈的主观性，有时在一个句子中包含不同的情感倾向。
如图1-1所示为CNKI以及WOS核心数据库中文本情感分析的相关研究近十年发文量，在CNKI上以“文本情感分析”“细粒度情感分析”为主题进行检索，在WOS上以 “Text Sentiment Analysis”“Aspect Based Sentiment Analysis”为主题进行检索。从图中可以看出该领域的发文量总体呈上升趋势，说明近十年来有关文本细粒度主题情感分析的研究热度一直在增加。
1.2.1 评论主题识别研究现状
在互联网愈发普及、持续发展的当下，用户评论信息的数量急剧攀升，可用性也大大提高。但数量的急速攀升，导致信息冗余现象愈发严重。相同的内容和建议在不同应用程序的评论中反复提及，甚至还会出现相互矛盾的观点，为开发商和用户寻求应用的有效信息带来困难。
第3章 基于MHA-MLP-Mixer的评论主题情感分析
3.1 评论主题情感分析研究思路
本研究聚焦于移动应用评论文本的情感分析任务，构建了一套系统且全面的研究方案。首先通过分层随机抽样的数据预处理方式获取具有代表性的评论样本数据集，即根据数据的属性特点划分层次，在同层数据中进行随机抽样，以使所抽样本能够较好地描述原数据集分布状态。同时，针对长评论样本进行语义完全面分析的短语拆分处理，即将原长句评论文本进行拆解为短句，分析侧重于文本语义的完整性，能够使所有小句语义相对独立，对后面进行的分析奠定基础。
鉴于传统情感分析方法在细粒度情感识别方面存在的局限性，本研究进行了创新性探索。特别设计了一套五级情感标注体系，明确规定“1”代表最消极情感，“5”代表最积极情感，通过这种精细化的情感分级方式，能够更敏锐地捕捉用户情感的微妙变化。同时，本研究创新性地引入基于大语言模型的协同标注流程。该流程整合了多种主流大语言模型的判别结果，充分挖掘各模型在不同维度的优势。在此基础上，结合多数投票机制得出初步标注结果，并进一步引入人工校验环节。
针对现有的情感分析任务中难以聚焦深度情感信息等问题，本研究提出了MHA-MLP-Mixer情感分析。模型的最底层CNN-BiGRU融合网络通过评论文本的局部关键词信息特征以及长距离语义信息依赖来捕捉信息；中层的注意力机制模块MHA通过多头注意力实现关注向量的多视角情感关注值动态加权机制；高层的MLP-Mixer模型通过互注意力的互相加权来激活各维度间的情感信息特征融合，在深层维度上融合情感特征信息。
第4章 基于评论主题聚类的移动应用综合评价
4.1 移动应用综合评价体系构建的思路
移动应用综合评价体系的构建主要是基于对评论主题识别结果的聚类方法，针对移动应用评论主题聚类研究中存在的关键科学问题，本研究系统性地分析了三个维度的技术挑战：第一，在特征表示层面，不同主题类别的评论文本呈现出显著的语义异质性，具体表现为专业术语分布差异和句式结构多样性，这使得传统聚类方法采用的统一语义空间难以实现最优的主题可分性；第二，在样本表征层面，用户评论普遍存在多主题混合表达现象，导致评论向量在特征空间中呈现复杂的重叠分布，传统基于固定核函数的聚类算法无法有效解耦这些语义重叠特征；第三，在动态适应层面，移动应用持续迭代的特性要求聚类模型具备自主演化能力，以应对新出现主题模式的识别需求。
针对上述问题，本文提出了一种深度的混合核嵌入学习主题聚类模型DCHKE（Deep Clustering via Hybrid Kernel Embedding），构建了从评论特征提取到主题簇划分的端到端学习框架，为移动应用评论分析提供有理论支撑的聚类方案。
4.2 DCHKE模型
本章提出了基于深度混合核嵌入学习的主题聚类框架DCHKE（Deep Clustering via Hybrid Kernel Embedding）。DCHKE模型图如图4-2所示,主要包括三个组成部分：混合语义核嵌入学习器模块、混合语义核嵌入解码器模块和三重自监督文本聚类模块。
模型包括混合语义核嵌入学习器、混合语义核嵌入解码器、三重自监督优化等3个模块。混合语义核嵌入学习器利用深度变分高斯过程自动构建语义多模态的文本语义核嵌入表示。将文本的上下文语义嵌入和结构语义嵌入分别由两个并行的神经网络通道捕获，并通过自适应语义核融合生成混合语义核嵌入表示，解决传统模型语义表征能力有限的问题；混合语义核嵌入解码器模块将对抗生成网络和内积嵌入机制引入到嵌入学习器，两者分别实现文本的主题分布和句法结构等信息还原；三重自监督优化机制从聚类核可分性最大化、聚类结构约束优化和语义一致性约束三方面对三路语义嵌入学习进行监督。通过设计动态权重调整算法，实现了不同优化目标之间的协同作用，从而显著提升了聚类性能的整体鲁棒性。
此外，整个模型采用编码器-解码器的交互式架构，通过端到端的训练方式，实现了从原始主题输入到高质量主题聚类结果输出的完整流程。实验证明，该框架在保持模型自适应能力的同时，能够有效提升文本主题聚类的准确性和稳定性。
结论
本研究围绕移动应用综合评价的关键问题，通过系统性的方法创新和技术融合，构建了一套完整的细粒度评价体系。经过理论探索和实验验证，主要研究结论如下：
（1）在以移动应用的评论主题识别为基础，本文提出了基于Sentence-BERT-LDA评论主题识别模型。考虑到传统主题识别方法难以覆盖潜在主题的问题，设计了一种同时考虑词语层次和句子层次主题向量的主题识别方法，该方法在保持LDA主题模型优越性的同时，加入文本句子层次的语义相关性，约束主题的生成，能更好的理解不同语境下评论文本的语义特征，提高主题的连贯性及细粒度划分的精准度。模型主要采用LDA主题模型，识别评论文本词语层次的主题向量，然后将句子嵌入向量与概率主题分布向量连接，最后，采用K-means算法对向量空间进行聚类，从聚类中提取评论文本的主题信息。通过在公开数据集的实验验证及与现有方法的对比，证实了该方法在用户评论主题识别上的高效性。
（2）在移动应用用户评论文本情感分析上，为了改进现有情感分析方法在动态识别情感焦点、多视角特征融合及复杂情感交互建模方面的不足，提出了一种基于MHA-MLP-Mixer的评论主题情感分析模型，一种融合多头注意力机制（Multi-Head Attention, MHA）和MLP-Mixer模型的移动应用评论文本情感分析模型。模型首先利用卷积神经网络（CNN）和双向门控循环控制单元（BiGRU）提取局部特征信息和全局特征信息。然后将融合后统一的、综合的特征表示输入到多头注意力机制中（MHA），形成一个多维度的情感特征向量。然后，MLP-Mixer模型通过使用两个多层感知器(MLP)促进情感信息之间深度交互。最后，经过MLP-Mixer处理后的高级情感特征送入最终的分类层，生成深度情感分析结果。在公开数据集的实验结果表明，本文提出的模型明显优于其他方法，在显著提升情感分析精度的同时，也为移动应用评价体系构建了更加可靠的情感维度基础。
参考文献（略）
