本文關(guān)鍵詞：面向跨領(lǐng)域產(chǎn)品評(píng)論的情感分析研究

  更多相關(guān)文章： 情感分類 跨領(lǐng)域 關(guān)聯(lián)規(guī)則 超限學(xué)習(xí)機(jī) 動(dòng)態(tài)卷積超限學(xué)習(xí)

【摘要】：伴隨著信息技術(shù)的不斷發(fā)展,越來越多的用戶利用微博、產(chǎn)品評(píng)論、影視評(píng)論和用戶反饋等形式表達(dá)其立場(chǎng)態(tài)度。這些評(píng)論以及反饋數(shù)據(jù)廣泛涉及到包括書籍類、電腦類和化妝品類等眾多領(lǐng)域,為企業(yè)提供了大量的用戶態(tài)度傾向信息。實(shí)現(xiàn)用戶態(tài)度傾向的自動(dòng)判別有利于企業(yè)及時(shí)獲取用戶對(duì)產(chǎn)品的認(rèn)可度,為進(jìn)一步分析用戶需求,實(shí)現(xiàn)個(gè)性化推薦提供依據(jù)。但常用的利用單一領(lǐng)域知識(shí)進(jìn)行模型學(xué)習(xí)和識(shí)別的方法中,大量手工標(biāo)定標(biāo)簽的需求與實(shí)際應(yīng)用中樣本數(shù)目不足、手工標(biāo)定成本高等矛盾日漸突出。考慮到文本描述中用戶情感表達(dá)的類似特點(diǎn),有研究者開始探討將已有領(lǐng)域訓(xùn)練的情感分析模型用于其他領(lǐng)域。然而現(xiàn)實(shí)問題中,由于人們?cè)诓煌念I(lǐng)域中用不同的詞來表達(dá)相同的情感,所以在某一領(lǐng)域訓(xùn)練得到的分類器不能直接應(yīng)用到其他領(lǐng)域。因而研究和提出有效的跨領(lǐng)域情感極性分析方法具有重要的應(yīng)用和研究?jī)r(jià)值�？珙I(lǐng)域情感分析方法的關(guān)鍵在于降低領(lǐng)域之間差異,目前方法通常在實(shí)例、特征和模型三個(gè)層次探索領(lǐng)域自適應(yīng)的解決方案�；谔卣髯赃m應(yīng)的方法是通過特征表示傳遞將源領(lǐng)域和目標(biāo)領(lǐng)域的語(yǔ)句映射到同一特征分布中,相對(duì)實(shí)例加權(quán)自適應(yīng)方法,在更抽象層次建立領(lǐng)域詞之間的映射關(guān)系。以無關(guān)詞為橋梁的圖譜特征對(duì)齊方法,不但可以減少領(lǐng)域差異,而且可以發(fā)掘出更魯棒的特征。以該方法為基礎(chǔ),本文進(jìn)一步探索了領(lǐng)域無關(guān)詞與領(lǐng)域相關(guān)詞的相關(guān)關(guān)系,研究并提出了基于關(guān)聯(lián)規(guī)則的詞對(duì)齊方法。同時(shí)探討了深度學(xué)習(xí)方法在抽象特征學(xué)習(xí)中的優(yōu)勢(shì),改進(jìn)了基于深度學(xué)習(xí)的文本情感極性分析方法,進(jìn)一步探索了基于模型層的領(lǐng)域自適應(yīng)方法。在公共庫(kù)上實(shí)踐和驗(yàn)證了所提算法的有效性。本文主要工作和創(chuàng)新點(diǎn)包括:(1)提出了一種基于關(guān)聯(lián)規(guī)則進(jìn)行詞對(duì)齊的方法來實(shí)現(xiàn)詞語(yǔ)映射,提升了不同領(lǐng)域中表達(dá)相同情感的不同詞語(yǔ)的對(duì)齊效果,為實(shí)現(xiàn)跨領(lǐng)域文本情感極性分析提供了基礎(chǔ)。該方法使用無關(guān)詞作為橋梁來減少領(lǐng)域間的差異,并對(duì)領(lǐng)域無關(guān)詞與領(lǐng)域相關(guān)詞之間的關(guān)聯(lián)規(guī)則進(jìn)行挖掘,利用強(qiáng)關(guān)聯(lián)規(guī)則將不同領(lǐng)域中的領(lǐng)域相關(guān)詞進(jìn)行對(duì)齊進(jìn)而將源領(lǐng)域和目標(biāo)領(lǐng)域樣本映射到同一特征分布中。在Amazon產(chǎn)品評(píng)論數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文提出的方法在準(zhǔn)確率、傳遞損失和傳遞率多個(gè)評(píng)價(jià)指標(biāo)上優(yōu)于現(xiàn)有的主流方法。(2)提出了一種動(dòng)態(tài)卷積超限學(xué)習(xí)算法,將超限學(xué)習(xí)機(jī)(ELM)用于動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)中,改善了動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)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(yùn)算提取顯著特征的基礎(chǔ)上,利用超限學(xué)習(xí)機(jī)替代全連接層,實(shí)現(xiàn)對(duì)多層網(wǎng)絡(luò)所提特征的分類。利用參數(shù)隨機(jī)生成的擾動(dòng)性能,降低分類端對(duì)訓(xùn)練樣本的依賴,避免過擬合,提升分類性能。在公共數(shù)據(jù)集上的實(shí)驗(yàn)表明,本文提出的方法在準(zhǔn)確率、F1測(cè)度等多個(gè)標(biāo)準(zhǔn)指標(biāo)上均優(yōu)于改進(jìn)前的動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)以及若干改進(jìn)ELM算法。(3)研究了動(dòng)態(tài)卷積超限學(xué)習(xí)算法在跨領(lǐng)域情感分類中的特點(diǎn),探討了面向跨領(lǐng)域的動(dòng)態(tài)卷積超限學(xué)習(xí)模型的改進(jìn)和應(yīng)用方法。在利用源領(lǐng)域帶標(biāo)簽樣本對(duì)深度網(wǎng)絡(luò)模型進(jìn)行參數(shù)學(xué)習(xí)的基礎(chǔ)上,將全連接層前面的網(wǎng)絡(luò)參數(shù)保留下來應(yīng)用到目標(biāo)領(lǐng)域數(shù)據(jù)的特征提取中。在模型中添加一層適應(yīng)層,利用目標(biāo)領(lǐng)域中少量帶標(biāo)簽樣本的文本特征向量對(duì)適應(yīng)層進(jìn)行訓(xùn)練。在Amazon產(chǎn)品評(píng)論數(shù)據(jù)集上的跨領(lǐng)域分類實(shí)驗(yàn)結(jié)果表明,本文模型的準(zhǔn)確率優(yōu)于一些無知識(shí)傳遞過程的相關(guān)算法,具備一定的領(lǐng)域自適應(yīng)能力。
【關(guān)鍵詞】：情感分類 跨領(lǐng)域 關(guān)聯(lián)規(guī)則 超限學(xué)習(xí)機(jī) 動(dòng)態(tài)卷積超限學(xué)習(xí)
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(guó)內(nèi)外研究現(xiàn)狀12-14
• 1.2.1 單領(lǐng)域情感分類12-13
• 1.2.2 跨領(lǐng)域情感分類13-14
• 1.3 本文主要研究?jī)?nèi)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(yù)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(xué)習(xí)的跨領(lǐng)域情感分類24-31
• 2.3.1 非負(fù)矩陣分解24-26
• 2.3.2 譜聚類26
• 2.3.3 關(guān)聯(lián)規(guī)則26-27
• 2.3.4 常用分類器27-31
• 2.4 基于深度學(xué)習(xí)的跨領(lǐng)域情感分類31-36
• 2.4.1 深度信念網(wǎng)31-32
• 2.4.2 堆疊去噪自動(dòng)編碼機(jī)32-33
• 2.4.3 動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)33-36
• 2.5 本章小結(jié)36-37
• 第3章 基于關(guān)聯(lián)規(guī)則進(jìn)行詞對(duì)齊的跨領(lǐng)域情感分類算法37-51
• 3.1 引言37
• 3.2 基于關(guān)聯(lián)規(guī)則進(jìn)行詞對(duì)齊的跨領(lǐng)域情感分類算法37-42
• 3.2.1 強(qiáng)關(guān)聯(lián)規(guī)則挖掘38-39
• 3.2.2 相關(guān)詞對(duì)齊39-42
• 3.3 實(shí)驗(yàn)結(jié)果與分析42-49
• 3.3.1 數(shù)據(jù)集概述42-43
• 3.3.2 實(shí)驗(yàn)結(jié)果43-45
• 3.3.3 參數(shù)分析45-49
• 3.4 本章小結(jié)49-51
• 第4章 基于動(dòng)態(tài)卷積超限學(xué)習(xí)的情感分類算法51-63
• 4.1 引言51
• 4.2 超限學(xué)習(xí)機(jī)51-52
• 4.3 動(dòng)態(tài)卷積超限學(xué)習(xí)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(xùn)練54
• 4.4 評(píng)論數(shù)據(jù)集與評(píng)價(jià)標(biāo)準(zhǔn)54-56
• 4.4.1 數(shù)據(jù)集概述54-55
• 4.4.2 評(píng)價(jià)標(biāo)準(zhǔn)55-56
• 4.5 實(shí)驗(yàn)結(jié)果與分析56-61
• 4.5.1 DCELM的對(duì)比實(shí)驗(yàn)56-59
• 4.5.2 參數(shù)分析59-61
• 4.6 本章小結(jié)61-63
• 第5章 跨領(lǐng)域動(dòng)態(tài)卷積超限學(xué)習(xí)模型63-71
• 5.1 引言63
• 5.2 跨領(lǐng)域動(dòng)態(tài)卷積超限學(xué)習(xí)模型63-65
• 5.2.1 參數(shù)訓(xùn)練63-64
• 5.2.2 參數(shù)傳遞64-65
• 5.3 實(shí)驗(yàn)結(jié)果與分析65-69
• 5.3.1 數(shù)據(jù)集概述65
• 5.3.2 實(shí)驗(yàn)結(jié)果65-67
• 5.3.3 參數(shù)分析67-69
• 5.4 本章小結(jié)69-71
• 結(jié)論71-73
• 參考文獻(xiàn)73-77
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文77-79
• 致謝79

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉宜學(xué);“型”與“形”及相關(guān)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(guān)詞推薦模型[J];微電子學(xué)與計(jì)算機(jī);2006年05期

3 章成志;蘇蘭芳;蘇新寧;;基于多語(yǔ)境的相關(guān)詞自動(dòng)提取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];現(xiàn)代圖書情報(bào)技術(shù);2006年09期

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

5 ;聯(lián)機(jī)解疑[J];情報(bào)理論與實(shí)踐;1987年01期

6 章成志;徐小琴;;信息檢索系統(tǒng)的相關(guān)詞提示技術(shù)與評(píng)測(cè)[J];情報(bào)理論與實(shí)踐;2007年01期

7 沈陽(yáng);朱嬋元;周子軒;;相關(guān)詞句采集與分析研究[J];圖書情報(bào)工作;2009年22期

8 王云;查找同義詞和相關(guān)詞的定義衍生法[J];情報(bào)理論與實(shí)踐;1996年05期

9 ;關(guān)于Internet的漢語(yǔ)定名及相關(guān)詞的推薦名[J];中國(guó)信息導(dǎo)報(bào);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(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 章成志;蘇蘭芳;;基于多語(yǔ)境的相關(guān)詞自動(dòng)提取[A];第三屆學(xué)生計(jì)算語(yǔ)言學(xué)研討會(huì)論文集[C];2006年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 李寧;面向跨領(lǐng)域產(chǎn)品評(píng)論的情感分析研究[D];北京工業(yè)大學(xué);2016年

2 高配芝;基于相關(guān)詞識(shí)別的數(shù)據(jù)庫(kù)全文檢索研究[D];山東大學(xué);2014年

，

本文編號(hào)：1110440