發(fā)布時間：2019-02-19 12:17

【摘要】：隨著Web2.0的快速發(fā)展,互聯(lián)網上產生了大量的用戶生成內容(User Generated Content)。這些用戶生成內容包含大量有用的情感信息,對于用戶決策和企業(yè)的產品改進等有著重要的價值。因此,如何使用文本情感分類技術對海量的用戶生成內容中的情感信息進行挖掘,已經成為學術界和產業(yè)界的一個熱點問題。目前雖然基于機器學習的文本情感分類方法已經取得較好的結果,但是在實際應用中獲取有標記樣本需要消耗大量的人力,相反獲取未標記樣本卻十分容易。因此,如何利用少量有標記樣本和大量未標記樣本進行文本情感分類已成為一個亟待解決的問題。為此本研究將半監(jiān)督協(xié)同訓練方法引入到文本情感分類方法當中,用于解決文本情感分類中未標記樣本的利用問題。首先,本研究分析了文本情感分類和半監(jiān)督學習的研究現狀,明確了當前的研究問題和未來的研究方向。其次,本研究對文本情感分類和半監(jiān)督學習的基礎理論進行了系統(tǒng)研究,分析了文本情感分類的主要任務、文本情感分類的主要方法,以及半監(jiān)督學習的基本假設、半監(jiān)督學習的有效性和半監(jiān)督學習的主要方法等基礎理論。然后,以此為基礎,本研究對基于半監(jiān)督協(xié)同訓練的文本情感分類方法進行了研究。考慮到當前已有研究還較少關注數據分布對文本情感分類的影響,本研究從數據分布是否均衡兩個角度,分別構建了數據分布均衡條件下基于IDSSL的文本情感分類模型,以及在數據分布非均衡數據條件下基于混合策略的文本情感分類模型。最后,本研究將基于半監(jiān)督協(xié)同訓練的文本情感分類方法引入到實際應用中,通過選取電子商務和醫(yī)療社交媒體兩個實際應用場景,分別對兩類基于半監(jiān)督協(xié)同訓練的文本情感分類方法的有效性進行了檢驗。實驗結果表明,本研究提出的方法在不同數據分布情況下均取得了較好的結果,從而驗證了本研究提出方法的有效性。通過本研究,一方面將半監(jiān)督學習方法引入到文本情感分類問題中,拓展了文本情感分類和半監(jiān)督學習的基礎理論,并以此為基礎構建了基于半監(jiān)督協(xié)同訓練的文本情感分類模型。另一方面,將基于半監(jiān)督協(xié)同訓練的文本情感分類模型應用于具體實際問題中,拓展了文本情感分類和半監(jiān)督學習的應用范圍。
[Abstract]:With the rapid development of Web2.0, a large number of user-generated content (User Generated Content). Have been generated on the Internet. These user-generated content contains a large amount of useful emotional information, which is of great value to user decision-making and product improvement in enterprises. Therefore, how to use text emotion classification technology to mine the emotional information in the massive user-generated content has become a hot issue in academia and industry. Although the text affective classification method based on machine learning has achieved good results, it takes a lot of manpower to obtain labeled samples in practical applications. On the contrary, it is very easy to obtain unlabeled samples. Therefore, how to use a small number of labeled samples and a large number of unlabeled samples for text affective classification has become an urgent problem. In order to solve the problem of using unlabeled samples in text affective classification, semi-supervised cooperative training method is introduced into text affective classification. Firstly, this study analyzes the current situation of text affective classification and semi-supervised learning, and clarifies the current research issues and future research directions. Secondly, this study systematically studies the basic theories of text emotion classification and semi-supervised learning, analyzes the main tasks of text emotion classification, the main methods of text emotion classification, and the basic assumptions of semi-supervised learning. The effectiveness of semi-supervised learning and the main methods of semi-supervised learning and other basic theories. Then, based on this, the text emotion classification method based on semi-supervised cooperative training is studied. Considering that the current research has paid little attention to the influence of data distribution on text affective classification, this study constructs the text emotional classification model based on IDSSL under the condition of data distribution equilibrium from the two angles of data distribution equilibrium or not. And the text emotion classification model based on mixed strategy under the condition of unbalanced data distribution. Finally, the text emotion classification method based on semi-supervised cooperative training is introduced into the practical application, and two practical application scenarios, e-commerce and medical social media, are selected. The validity of two kinds of text emotion classification methods based on semi-supervised cooperative training is tested. The experimental results show that the proposed method has better results under different data distribution conditions, thus validating the effectiveness of the proposed method. Through this research, on the one hand, the semi-supervised learning method is introduced into the text affective classification problem, which expands the basic theory of text affective classification and semi-supervised learning. Based on this, a text emotion classification model based on semi-supervised cooperative training is constructed. On the other hand, the text emotion classification model based on semi-supervised cooperative training is applied to practical problems, which extends the application of text emotion classification and semi-supervised learning.
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.1;F724.6

【相似文獻】

相關期刊論文 前10條

1 劉敏;謝伙生;;一種基于旋轉森林的集成協(xié)同訓練算法[J];計算機工程與應用;2011年30期

2 胡菊花;姜遠;周志華;;一種基于教學模型的協(xié)同訓練方法[J];計算機研究與發(fā)展;2013年11期

3 尹哲峰;崔榮一;;協(xié)同訓練在教師評估中的應用[J];延邊大學學報(自然科學版);2009年02期

4 武永成;;一種基于分類置信度差異性的協(xié)同訓練算法[J];湖北民族學院學報(自然科學版);2013年01期

5 徐飛裕;徐榮聰;;基于密度敏感距離的協(xié)同訓練算法[J];計算機應用與軟件;2011年09期

6 馬蕾;汪西莉;;基于支持向量機協(xié)同訓練的半監(jiān)督回歸[J];計算機工程與應用;2011年03期

7 詹永照;陳亞必;;具有噪聲過濾功能的協(xié)同訓練半監(jiān)督主動學習算法[J];模式識別與人工智能;2009年05期

8 謝伙生;劉敏;;一種基于主動學習的集成協(xié)同訓練算法[J];山東大學學報(工學版);2012年03期

9 李廣水;宋丁全;鄭滔;李楊;蘇繼申;;協(xié)同訓練支持向量機對遙感影像的分類研究[J];計算機工程與應用;2009年29期

10 謝科;;融合協(xié)同訓練和兩層主動學習策略的SVM分類方法[J];湖南師范大學自然科學學報;2014年01期

相關重要報紙文章 前10條

1 文雅 丁猛 王方靖;某部多法并舉解決協(xié)同訓練難題[N];戰(zhàn)士報;2008年

2 張新兵　唐廷剛 趙榮;兵種專業(yè)“結親”夯實協(xié)同訓練基礎[N];中國國防報;2009年

3 記者 李學勇　特約記者 代宗鋒;赴遠海開展協(xié)同訓練[N];解放軍報;2010年

4 楊先富、胡金寶、車益洪;打破建制 協(xié)同訓練[N];戰(zhàn)士報;2012年

5 陳振東　李東生;緊貼使命任務要求砥礪精兵[N];解放軍報;2009年

6 王小興、楊志;總裝某測試站協(xié)同訓練提升試驗能力[N];解放軍報;2006年

7 蘇俊杰、特約通訊員　王宇;一批協(xié)同訓練課目成重點[N];中國國防報;2006年

8 彭兵根　記者 劉建偉;訓練資源重點投向關鍵節(jié)點[N];解放軍報;2010年

9 楊申勇 特約記者 唐青松;指揮程序一個不簡 “戰(zhàn)斗”全程模擬實戰(zhàn)[N];戰(zhàn)士報;2007年

10 高志群　成立 錢英新;加強科技動員力量培訓[N];中國國防報;2010年

相關碩士學位論文 前3條

1 鄒細濤;基于樣本去噪的協(xié)同訓練算法研究[D];西南大學;2015年

2 李寧寧;基于半監(jiān)督協(xié)同訓練的文本情感分類研究[D];合肥工業(yè)大學;2015年

3 魏輝;飛機與船舶協(xié)同訓練RTI仿真平臺的設計與實現[D];沈陽航空航天大學;2013年

，

本文編號：2426492