電子商務(wù)作為當(dāng)下的一種新的購(gòu)物和營(yíng)銷渠道,導(dǎo)致了互聯(lián)網(wǎng)中各種服務(wù)和產(chǎn)品的評(píng)論數(shù)量激增。在這種情況下,屬性級(jí)情感分析(Aspect Based Sentiment Analysis,ABSA)——即從文本中提取和總結(jié)有關(guān)特定實(shí)體及其屬性的情感傾向,可以幫助消費(fèi)者選擇企業(yè)和產(chǎn)品,同時(shí)也可以幫助企業(yè)更好地監(jiān)控其服務(wù)和產(chǎn)品的質(zhì)量并快速了解市場(chǎng)需求。屬性級(jí)情感分析旨在識(shí)別文本中提到的所有屬性類別及其對(duì)應(yīng)的情感極性,即屬性類別檢測(cè)子任務(wù)(Aspect-category Detection)和情感分類子任務(wù)(Sentiment Classification)。當(dāng)前存在的絕大多數(shù)方法都分別對(duì)這兩個(gè)子任務(wù)建立模型,盡管在兩個(gè)子任務(wù)上目前都取得了優(yōu)秀的實(shí)驗(yàn)結(jié)果,然而其提取的都是不完全的用戶觀點(diǎn),并且上游的屬性類別檢測(cè)任務(wù)的準(zhǔn)確性也會(huì)影響到下游的情感分類任務(wù)的效果,實(shí)用價(jià)值大大降低。此外,屬性級(jí)情感分析任務(wù)需要的數(shù)據(jù)標(biāo)注十分昂貴,導(dǎo)致可用數(shù)據(jù)極其稀少,也為屬性級(jí)情感分析任務(wù)帶來許多挑戰(zhàn)�；谝陨蠁栴},本文提出了多種端到端的屬性級(jí)情感分析模型,并通過引入預(yù)訓(xùn)練產(chǎn)生的詞向量緩解數(shù)據(jù)稀少的問題。本文的研究?jī)?nèi)容歸為...

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1中心詞和其上下文詞的示例

哈爾濱工業(yè)大學(xué)應(yīng)用統(tǒng)計(jì)碩士學(xué)位論文-9-圖2-1中心詞和其上下文詞的示例Word2vec的核心思想就是已知存在一個(gè)很大的語料庫(kù)，當(dāng)我們用固定長(zhǎng)度的窗口不斷掃過語料庫(kù)中的每一個(gè)句子時(shí)，我們得到位于窗口中間的中心詞及其周邊的上下文詞，而他們的相似度可以用給定中心詞的情況下上下文詞的條....

圖2-2窗口長(zhǎng)度為2，中心詞為“into”的上下文詞的概率表示

哈爾濱工業(yè)大學(xué)應(yīng)用統(tǒng)計(jì)碩士學(xué)位論文-9-圖2-1中心詞和其上下文詞的示例Word2vec的核心思想就是已知存在一個(gè)很大的語料庫(kù)，當(dāng)我們用固定長(zhǎng)度的窗口不斷掃過語料庫(kù)中的每一個(gè)句子時(shí)，我們得到位于窗口中間的中心詞及其周邊的上下文詞，而他們的相似度可以用給定中心詞的情況下上下文詞的條....

圖2-3窗口長(zhǎng)度為2，中心詞為“banking”的上下文詞的概率表示

哈爾濱工業(yè)大學(xué)應(yīng)用統(tǒng)計(jì)碩士學(xué)位論文-9-圖2-1中心詞和其上下文詞的示例Word2vec的核心思想就是已知存在一個(gè)很大的語料庫(kù)，當(dāng)我們用固定長(zhǎng)度的窗口不斷掃過語料庫(kù)中的每一個(gè)句子時(shí)，我們得到位于窗口中間的中心詞及其周邊的上下文詞，而他們的相似度可以用給定中心詞的情況下上下文詞的條....

圖2-4fastText模型架構(gòu)圖

妒墾?宦畚?-12-量表示。GloVe具有訓(xùn)練速度快的優(yōu)點(diǎn)，并且在各項(xiàng)任務(wù)的性能比較中，不亞于word2vec的方法。2.1.4fastTextfastText是facebook公司在2016年開源的一款文本分類器。正如其名字一樣，fastText的特點(diǎn)之一就是快，與其它文本分類....

本文編號(hào)：4001108