本文關鍵詞：面向跨領域產品評論的情感分析研究

  更多相關文章： 情感分類 跨領域 關聯規(guī)則 超限學習機 動態(tài)卷積超限學習

【摘要】：伴隨著信息技術的不斷發(fā)展,越來越多的用戶利用微博、產品評論、影視評論和用戶反饋等形式表達其立場態(tài)度。這些評論以及反饋數據廣泛涉及到包括書籍類、電腦類和化妝品類等眾多領域,為企業(yè)提供了大量的用戶態(tài)度傾向信息。實現用戶態(tài)度傾向的自動判別有利于企業(yè)及時獲取用戶對產品的認可度,為進一步分析用戶需求,實現個性化推薦提供依據。但常用的利用單一領域知識進行模型學習和識別的方法中,大量手工標定標簽的需求與實際應用中樣本數目不足、手工標定成本高等矛盾日漸突出�？紤]到文本描述中用戶情感表達的類似特點,有研究者開始探討將已有領域訓練的情感分析模型用于其他領域。然而現實問題中,由于人們在不同的領域中用不同的詞來表達相同的情感,所以在某一領域訓練得到的分類器不能直接應用到其他領域。因而研究和提出有效的跨領域情感極性分析方法具有重要的應用和研究價值�？珙I域情感分析方法的關鍵在于降低領域之間差異,目前方法通常在實例、特征和模型三個層次探索領域自適應的解決方案�；谔卣髯赃m應的方法是通過特征表示傳遞將源領域和目標領域的語句映射到同一特征分布中,相對實例加權自適應方法,在更抽象層次建立領域詞之間的映射關系。以無關詞為橋梁的圖譜特征對齊方法,不但可以減少領域差異,而且可以發(fā)掘出更魯棒的特征。以該方法為基礎,本文進一步探索了領域無關詞與領域相關詞的相關關系,研究并提出了基于關聯規(guī)則的詞對齊方法。同時探討了深度學習方法在抽象特征學習中的優(yōu)勢,改進了基于深度學習的文本情感極性分析方法,進一步探索了基于模型層的領域自適應方法。在公共庫上實踐和驗證了所提算法的有效性。本文主要工作和創(chuàng)新點包括:(1)提出了一種基于關聯規(guī)則進行詞對齊的方法來實現詞語映射,提升了不同領域中表達相同情感的不同詞語的對齊效果,為實現跨領域文本情感極性分析提供了基礎。該方法使用無關詞作為橋梁來減少領域間的差異,并對領域無關詞與領域相關詞之間的關聯規(guī)則進行挖掘,利用強關聯規(guī)則將不同領域中的領域相關詞進行對齊進而將源領域和目標領域樣本映射到同一特征分布中。在Amazon產品評論數據集上的實驗結果表明,本文提出的方法在準確率、傳遞損失和傳遞率多個評價指標上優(yōu)于現有的主流方法。(2)提出了一種動態(tài)卷積超限學習算法,將超限學習機(ELM)用于動態(tài)卷積神經網絡中,改善了動態(tài)卷積神經網絡在文本情感分類中的泛化能力,提高了文本情感極性分類效果。在充分利用卷積運算提取顯著特征的基礎上,利用超限學習機替代全連接層,實現對多層網絡所提特征的分類。利用參數隨機生成的擾動性能,降低分類端對訓練樣本的依賴,避免過擬合,提升分類性能。在公共數據集上的實驗表明,本文提出的方法在準確率、F1測度等多個標準指標上均優(yōu)于改進前的動態(tài)卷積神經網絡以及若干改進ELM算法。(3)研究了動態(tài)卷積超限學習算法在跨領域情感分類中的特點,探討了面向跨領域的動態(tài)卷積超限學習模型的改進和應用方法。在利用源領域帶標簽樣本對深度網絡模型進行參數學習的基礎上,將全連接層前面的網絡參數保留下來應用到目標領域數據的特征提取中。在模型中添加一層適應層,利用目標領域中少量帶標簽樣本的文本特征向量對適應層進行訓練。在Amazon產品評論數據集上的跨領域分類實驗結果表明,本文模型的準確率優(yōu)于一些無知識傳遞過程的相關算法,具備一定的領域自適應能力。
【關鍵詞】：情感分類 跨領域 關聯規(guī)則 超限學習機 動態(tài)卷積超限學習
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.1
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-17
• 1.1 研究背景和意義11-12
• 1.2 國內外研究現狀12-14
• 1.2.1 單領域情感分類12-13
• 1.2.2 跨領域情感分類13-14
• 1.3 本文主要研究內容14-15
• 1.4 本文章節(jié)安排15-17
• 第2章 文本情感分類方法概述17-37
• 2.1 引言17-18
• 2.2 文本表示18-24
• 2.2.1 文本預處理18-20
• 2.2.2 特征選擇20-22
• 2.2.3 文本表示模型22-24
• 2.3 基于淺層學習的跨領域情感分類24-31
• 2.3.1 非負矩陣分解24-26
• 2.3.2 譜聚類26
• 2.3.3 關聯規(guī)則26-27
• 2.3.4 常用分類器27-31
• 2.4 基于深度學習的跨領域情感分類31-36
• 2.4.1 深度信念網31-32
• 2.4.2 堆疊去噪自動編碼機32-33
• 2.4.3 動態(tài)卷積神經網絡33-36
• 2.5 本章小結36-37
• 第3章 基于關聯規(guī)則進行詞對齊的跨領域情感分類算法37-51
• 3.1 引言37
• 3.2 基于關聯規(guī)則進行詞對齊的跨領域情感分類算法37-42
• 3.2.1 強關聯規(guī)則挖掘38-39
• 3.2.2 相關詞對齊39-42
• 3.3 實驗結果與分析42-49
• 3.3.1 數據集概述42-43
• 3.3.2 實驗結果43-45
• 3.3.3 參數分析45-49
• 3.4 本章小結49-51
• 第4章 基于動態(tài)卷積超限學習的情感分類算法51-63
• 4.1 引言51
• 4.2 超限學習機51-52
• 4.3 動態(tài)卷積超限學習算法52-54
• 4.3.1 詞向量表示52-53
• 4.3.2 特征提取53-54
• 4.3.3 分類器訓練54
• 4.4 評論數據集與評價標準54-56
• 4.4.1 數據集概述54-55
• 4.4.2 評價標準55-56
• 4.5 實驗結果與分析56-61
• 4.5.1 DCELM的對比實驗56-59
• 4.5.2 參數分析59-61
• 4.6 本章小結61-63
• 第5章 跨領域動態(tài)卷積超限學習模型63-71
• 5.1 引言63
• 5.2 跨領域動態(tài)卷積超限學習模型63-65
• 5.2.1 參數訓練63-64
• 5.2.2 參數傳遞64-65
• 5.3 實驗結果與分析65-69
• 5.3.1 數據集概述65
• 5.3.2 實驗結果65-67
• 5.3.3 參數分析67-69
• 5.4 本章小結69-71
• 結論71-73
• 參考文獻73-77
• 攻讀碩士學位期間發(fā)表的學術論文77-79
• 致謝79

【相似文獻】

中國期刊全文數據庫 前10條

1 劉宜學;“型”與“形”及相關詞辨析[J];科技與出版;1998年04期

2 張選平;馬琮;蔣宇;袁明軒;梁平;;一種基于概念抽取的相關詞推薦模型[J];微電子學與計算機;2006年05期

3 章成志;蘇蘭芳;蘇新寧;;基于多語境的相關詞自動提取系統(tǒng)的設計與實現[J];現代圖書情報技術;2006年09期

4 劉建舟;邵雄凱;;面向信息檢索的相關詞抽取[J];信息系統(tǒng)工程;2012年01期

5 ;聯機解疑[J];情報理論與實踐;1987年01期

6 章成志;徐小琴;;信息檢索系統(tǒng)的相關詞提示技術與評測[J];情報理論與實踐;2007年01期

7 沈陽;朱嬋元;周子軒;;相關詞句采集與分析研究[J];圖書情報工作;2009年22期

8 王云;查找同義詞和相關詞的定義衍生法[J];情報理論與實踐;1996年05期

9 ;關于Internet的漢語定名及相關詞的推薦名[J];中國信息導報;1997年08期

10 程華;智能ABC輸入法技巧兩則[J];電子與電腦;2001年07期

中國重要會議論文全文數據庫 前1條

1 章成志;蘇蘭芳;;基于多語境的相關詞自動提取[A];第三屆學生計算語言學研討會論文集[C];2006年

中國碩士學位論文全文數據庫 前2條

1 李寧;面向跨領域產品評論的情感分析研究[D];北京工業(yè)大學;2016年

2 高配芝;基于相關詞識別的數據庫全文檢索研究[D];山東大學;2014年

，

本文編號：1110440