本文選題：情感分析　切入點(diǎn)：深度表示學(xué)習(xí)　出處：《中文信息學(xué)報(bào)》2017年01期 　論文類(lèi)型：期刊論文

【摘要】：情感分析是自然語(yǔ)言處理領(lǐng)域的重要研究問(wèn)題。現(xiàn)有方法往往難以克服樣本偏置與領(lǐng)域依賴(lài)問(wèn)題,嚴(yán)重制約了情感分析的發(fā)展和應(yīng)用。為此,該文提出了一種基于深度表示學(xué)習(xí)和高斯過(guò)程知識(shí)遷移學(xué)習(xí)的情感分析方法。該方法首先利用深度神經(jīng)網(wǎng)絡(luò)獲得文本樣本的分布式表示,而后基于深度高斯過(guò)程,從輔助數(shù)據(jù)中遷移與測(cè)試集數(shù)據(jù)分布相符的高質(zhì)量樣例擴(kuò)充訓(xùn)練數(shù)據(jù)集用于分類(lèi)器訓(xùn)練,以此提高文本情感分類(lèi)系統(tǒng)性能。在COAE2014文本情感分類(lèi)數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)結(jié)果顯示,該文提出的方法可以有效提高文本情感分類(lèi)性能,同時(shí)可以有效緩解訓(xùn)練數(shù)據(jù)的樣本偏置以及領(lǐng)域依賴(lài)問(wèn)題的影響。
[Abstract]:Affective analysis is an important research problem in the field of natural language processing. The existing methods are often difficult to overcome the problem of sample bias and domain dependence, which seriously restrict the development and application of affective analysis. This paper presents an affective analysis method based on depth representation learning and Gao Si process knowledge transfer learning. In order to improve the performance of text affective classification system, the extended training data set of high quality sample that is consistent with the distribution of test set data is transferred from the auxiliary data to improve the performance of text emotion classification system. The experimental results on COAE2014 text emotion classification data set show that, The proposed method can effectively improve the performance of text affective classification and alleviate the influence of sample bias and domain dependence of training data.
【作者單位】： 哈爾濱工業(yè)大學(xué)深圳研究生院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;騰訊科技(深圳)有限公司;
【基金】：國(guó)家自然科學(xué)基金(61370165) 國(guó)家863計(jì)劃(2015AA015405) 深圳市孔雀計(jì)劃技術(shù)創(chuàng)新項(xiàng)目(KQCX20140521144507925) 深圳市基礎(chǔ)研究項(xiàng)目(JCYJ20150625142543470) 廣東省數(shù)據(jù)科學(xué)工程技術(shù)研究中心開(kāi)放課題(2016KF09)
【分類(lèi)號(hào)】：TP391.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂勝尚;;關(guān)于高斯過(guò)程的幾個(gè)問(wèn)題[J];西北電訊工程學(xué)院學(xué)報(bào);1986年02期

2 喻鑫;柳健;田金文;;基于高斯過(guò)程的點(diǎn)匹配方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年12期

3 董曉慧;柴桂榮;孟憲春;;一種應(yīng)用稀疏高斯過(guò)程回歸模型的半監(jiān)督分類(lèi)算法[J];電腦知識(shí)與技術(shù);2010年28期

4 傅啟明;劉全;伏玉琛;周誼成;于俊;;一種高斯過(guò)程的帶參近似策略迭代算法[J];軟件學(xué)報(bào);2013年11期

5 李宏偉;劉揚(yáng);盧漢清;方亦凱;;結(jié)合半監(jiān)督核的高斯過(guò)程分類(lèi)[J];自動(dòng)化學(xué)報(bào);2009年07期

6 黃麗平;孫永雄;申晨;;用基于中值濾波的高斯過(guò)程預(yù)測(cè)3G網(wǎng)絡(luò)性能[J];計(jì)算機(jī)工程與應(yīng)用;2013年02期

7 夏戰(zhàn)國(guó);夏士雄;蔡世玉;萬(wàn)玲;;類(lèi)不均衡的半監(jiān)督高斯過(guò)程分類(lèi)算法[J];通信學(xué)報(bào);2013年05期

8 何志昆;劉光斌;趙曦晶;王明昊;;高斯過(guò)程回歸方法綜述[J];控制與決策;2013年08期

9 劉輝;白峰杉;;基于混合高斯過(guò)程模型的高光譜圖像分類(lèi)算法[J];高校應(yīng)用數(shù)學(xué)學(xué)報(bào)A輯;2010年04期

10 張樂(lè);劉忠;張建強(qiáng);任雄偉;;基于人工蜂群算法優(yōu)化的改進(jìn)高斯過(guò)程模型[J];國(guó)防科技大學(xué)學(xué)報(bào);2014年01期

相關(guān)會(huì)議論文 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過(guò)程響應(yīng)面模型設(shè)計(jì)點(diǎn)選擇方法研究[A];中國(guó)計(jì)算力學(xué)大會(huì)'2010（CCCM2010）暨第八屆南方計(jì)算力學(xué)學(xué)術(shù)會(huì)議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過(guò)程的精密衛(wèi)星鐘差加密[A];第二屆中國(guó)衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類(lèi)和高斯過(guò)程的多模型建模方法[A];2009中國(guó)過(guò)程系統(tǒng)工程年會(huì)暨中國(guó)mes年會(huì)論文集[C];2009年

4 趙級(jí)漢;張國(guó)敬;姜龍;魏巍;;基于疊加高斯過(guò)程的數(shù)字噪聲產(chǎn)生方法FPGA實(shí)現(xiàn)[A];第二十四屆全國(guó)空間探測(cè)學(xué)術(shù)交流會(huì)論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過(guò)程回歸的FOG標(biāo)度因數(shù)溫度漂移建模新方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 王建民;礦山邊坡變形監(jiān)測(cè)數(shù)據(jù)的高斯過(guò)程智能分析與預(yù)測(cè)[D];太原理工大學(xué);2016年

2 趙靜;基于高斯過(guò)程的動(dòng)態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

3 潘偉;基于高斯過(guò)程的高爐煉鐵過(guò)程辨識(shí)與預(yù)測(cè)[D];浙江大學(xué);2012年

4 賀建軍;基于高斯過(guò)程模型的機(jī)器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

5 夏戰(zhàn)國(guó);基于高斯過(guò)程的提升機(jī)軸承性能評(píng)測(cè)方法研究[D];中國(guó)礦業(yè)大學(xué);2013年

6 趙偉;復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過(guò)程動(dòng)態(tài)響應(yīng)面方法研究[D];廣西大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術(shù)的研究[D];江南大學(xué);2015年

2 李勵(lì)耘;基于高斯過(guò)程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王雪茹;基于高斯過(guò)程的風(fēng)電機(jī)組部件建模與監(jiān)測(cè)研究[D];華北電力大學(xué);2015年

4 于立鑫;基于高斯過(guò)程—差異進(jìn)化算法的隧道施工多元信息反分析研究[D];大連海事大學(xué);2015年

5 戈財(cái)若;基于高斯過(guò)程的高光譜圖像分類(lèi)算法研究[D];東華理工大學(xué);2015年

6 葉婧;基于高斯過(guò)程回歸的鋰電池?cái)?shù)據(jù)處理[D];北京交通大學(xué);2016年

7 張棟;基于在線(xiàn)學(xué)習(xí)高斯過(guò)程有桿泵油井動(dòng)態(tài)液面建模方法研究[D];東北大學(xué);2014年

8 王奉偉;改進(jìn)的局部均值分解和高斯過(guò)程在變形監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用研究[D];東華理工大學(xué);2016年

9 曹瑜;基于高斯過(guò)程的非線(xiàn)性不確定延遲系統(tǒng)的模型預(yù)測(cè)控制[D];華中科技大學(xué);2014年

10 張莉萍;基于廣義高斯過(guò)程回歸的函數(shù)型數(shù)據(jù)分析[D];東南大學(xué);2016年

，

本文編號(hào)：1607186