【摘要】：文本情感分類(lèi)旨在通過(guò)計(jì)算機(jī)技術(shù),對(duì)文本中表達(dá)的主觀情感傾向性進(jìn)行判斷,通過(guò)充分挖掘和分析文本生產(chǎn)者的興趣傾向和情感態(tài)度,為決策者提供有價(jià)值的重要參考信息。由于國(guó)內(nèi)外有效的高質(zhì)量分析語(yǔ)料、情感詞典等分布不均,使得跨語(yǔ)言文本情感分類(lèi)研究應(yīng)運(yùn)而生�？缯Z(yǔ)言文本情感分類(lèi)是利用源語(yǔ)言的有標(biāo)注語(yǔ)料,輔助目標(biāo)語(yǔ)言進(jìn)行情感傾向性分析,其核心問(wèn)題是解決如何將源語(yǔ)言和目標(biāo)語(yǔ)言轉(zhuǎn)換到同一語(yǔ)言空間中。根據(jù)國(guó)內(nèi)外不同語(yǔ)言空間的轉(zhuǎn)換手段不同,可將其分為三類(lèi):利用雙語(yǔ)詞典、平行語(yǔ)料庫(kù)建立兩種語(yǔ)言的對(duì)應(yīng)關(guān)系以及利用機(jī)器翻譯技術(shù)等三種研究方案。本文對(duì)上述三種方案分別作了相應(yīng)嘗試,主要貢獻(xiàn)包括以下幾個(gè)方面:(1)提出了一種在主動(dòng)學(xué)習(xí)框架下的單語(yǔ)言文本情感分析方法SLAB。該方法中的采樣策略是在不確定性采樣策略的基礎(chǔ)上,使用情感詞典,在選擇最不確定的樣本的同時(shí),也選擇情感分?jǐn)?shù)較大的樣本,彌補(bǔ)了不確定性采樣策略的不足,從而達(dá)到提高分類(lèi)器準(zhǔn)確率的目的。應(yīng)用上述主動(dòng)學(xué)習(xí)中提出的采樣策略實(shí)現(xiàn)一種跨語(yǔ)言文本情感分類(lèi)方法AL-CLSC。該方法首先利用機(jī)器翻譯技術(shù),將英文文本翻譯為中文,然后通過(guò)主動(dòng)學(xué)習(xí)方法,主動(dòng)選擇“好的”訓(xùn)練樣本,通過(guò)循環(huán)訓(xùn)練,最終實(shí)現(xiàn)一個(gè)較好的中文文本情感分類(lèi)器。進(jìn)一步地,本文結(jié)合圖結(jié)構(gòu)模型對(duì)所提出的方法AL-CLSC進(jìn)行改進(jìn),提出GAL-CLSC方法,以期解決機(jī)器翻譯訓(xùn)練語(yǔ)料時(shí),可能造成的信息丟失、重復(fù)及偏差等問(wèn)題。實(shí)驗(yàn)結(jié)果顯示,在不同的訓(xùn)練集中,該改進(jìn)方法對(duì)分類(lèi)器的準(zhǔn)確率確有明顯提高。(2)考慮到近年來(lái)神經(jīng)網(wǎng)絡(luò)在文本情感分類(lèi)任務(wù)中的突出表現(xiàn),本文提出兩種分別結(jié)合RNN和CNN的深度典型相關(guān)性跨語(yǔ)言文本情感分類(lèi)方法DCCA-RNN和DCCA-CNN。該兩種方法是利用平行語(yǔ)料,在深度典型相關(guān)性的理論基礎(chǔ)上,通過(guò)RNN和CNN學(xué)習(xí)兩種語(yǔ)言空間的非線性關(guān)系,在映射的共享特征空間中利用典型性相關(guān)實(shí)現(xiàn)跨語(yǔ)言文本情感分類(lèi)。
[Abstract]:The purpose of text emotion classification is to judge the tendency of subjective emotion expressed in text by computer technology, and to provide valuable reference information for decision makers by fully mining and analyzing the interest tendency and emotional attitude of text producers. Due to the uneven distribution of effective high quality analytical corpus and emotion dictionary at home and abroad, cross-language text emotion classification research emerges as the times require. Cross-language text affective classification is to use tagged corpus of source language to assist target language in emotional orientation analysis. Its core problem is how to transform source language and target language into the same language space. It can be divided into three categories according to the different methods of language space conversion at home and abroad: making use of bilingual dictionaries, establishing the corresponding relations between two languages in parallel corpus, and using machine translation technology. The main contributions are as follows: (1) A single language text affective analysis method, SLAB, is proposed under the framework of active learning. In this method, the sampling strategy is based on the uncertain sampling strategy, using the emotion dictionary to select the most uncertain samples, and at the same time to select the samples with high emotional score, which makes up for the lack of the uncertain sampling strategy. In order to improve the accuracy of the classifier. A cross-language text affective classification method, AL-CLSCC, is implemented using the sampling strategy proposed in the above active learning. The method first uses machine translation technology to translate the English text into Chinese, then through the active learning method, chooses the "good" training sample actively, and finally realizes a better Chinese text emotion classifier by cyclic training. Furthermore, this paper improves the proposed method AL-CLSC by using graph structure model, and proposes a GAL-CLSC method to solve the problems of information loss, repetition and deviation caused by machine translation training corpus. The experimental results show that the improved method does improve the accuracy of classifier in different training concentration. (2) considering the prominent performance of neural network in text emotion classification task in recent years, In this paper, we propose two cross-language affective classification methods, DCCA-RNN and DCCA-CNN, which combine with RNN and CNN, respectively. The two methods are based on the theory of depth canonical correlation, using parallel corpus to learn the nonlinear relationship between the two languages by RNN and CNN. In the shared feature space of mapping, canonical correlation is used to achieve cross-language text affective classification.
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉颯;章成志;;多語(yǔ)言文本表示研究綜述[J];現(xiàn)代圖書(shū)情報(bào)技術(shù);2010年06期

2 張廷遠(yuǎn);;河南省紅色旅游景區(qū)語(yǔ)言文本現(xiàn)狀的調(diào)查及思考[J];開(kāi)封大學(xué)學(xué)報(bào);2010年04期

3 高影繁;徐紅姣;于薇;王惠臨;;基于跨語(yǔ)言文本分類(lèi)的多語(yǔ)資源組織方法研究[J];情報(bào)理論與實(shí)踐;2011年10期

4 熊超;王明文;吳福英;吳世勇;沈陽(yáng);;基于潛在語(yǔ)義對(duì)偶空間的跨語(yǔ)言文本分類(lèi)研究[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

5 杜家利;于屏方;;自然語(yǔ)言文本語(yǔ)義接受度的在線系統(tǒng)評(píng)價(jià)研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年26期

6 章成志;王惠臨;;多語(yǔ)言文本聚類(lèi)研究綜述[J];現(xiàn)代圖書(shū)情報(bào)技術(shù);2009年06期

7 史樹(shù)敏;黃河燕;劉東升;;自然語(yǔ)言文本指代消解技術(shù)研究[J];計(jì)算機(jī)科學(xué);2007年12期

8 彭靜;羅偉;;一種從自然語(yǔ)言文本到本體模型的轉(zhuǎn)換方法[J];電大理工;2011年02期

9 馮志偉;;漢字的極限熵[J];中文信息;1996年02期

10 陳啟泉;吳揚(yáng)揚(yáng);鄭躍斌;;CTDPS查詢(xún)語(yǔ)言文本與實(shí)現(xiàn)[J];華僑大學(xué)學(xué)報(bào)(自然科學(xué)版);1985年02期

相關(guān)會(huì)議論文 前4條

1 伊·達(dá)瓦;井佐原均;;蒙古語(yǔ)多文種-多語(yǔ)言文本-口語(yǔ)語(yǔ)料庫(kù)的建設(shè)[A];第十屆全國(guó)少數(shù)民族語(yǔ)言文字信息處理學(xué)術(shù)研討會(huì)論文集[C];2005年

2 盧衛(wèi)雄;;一種基于支持向量機(jī)的多國(guó)語(yǔ)言文本分類(lèi)平臺(tái)[A];第十六屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（上）[C];2011年

3 俞榮華;田增平;周傲英;;一種基于聚類(lèi)的多語(yǔ)言文本相似記錄檢測(cè)算法[A];第十八屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2001年

4 曹暉;于洪志;;OpenOffice的國(guó)際化與本地化機(jī)制[A];第十屆全國(guó)少數(shù)民族語(yǔ)言文字信息處理學(xué)術(shù)研討會(huì)論文集[C];2005年

相關(guān)博士學(xué)位論文 前2條

1 鄒博偉;面向自然語(yǔ)言文本的否定性與不確定性識(shí)別研究[D];蘇州大學(xué);2015年

2 朱澤德;網(wǎng)絡(luò)雙語(yǔ)語(yǔ)料挖掘關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 石杰;中泰跨語(yǔ)言話題檢測(cè)方法與技術(shù)研究[D];昆明理工大學(xué);2015年

2 楊文敏;自然語(yǔ)言文本中不確定性信息的識(shí)別研究[D];河南工業(yè)大學(xué);2015年

3 畢文霞;基于中間語(yǔ)義的跨語(yǔ)言文本分類(lèi)模型研究[D];江西師范大學(xué);2008年

4 劉越;跨語(yǔ)言文本分類(lèi)的研究[D];北京理工大學(xué);2011年

5 熊超;基于潛在語(yǔ)義對(duì)偶空間的跨語(yǔ)言文本分類(lèi)研究[D];江西師范大學(xué);2010年

6 彭哲;跨語(yǔ)言文本相關(guān)性檢測(cè)技術(shù)研究[D];中南大學(xué);2014年

7 萬(wàn)接喜;多語(yǔ)言文本聚類(lèi)研究[D];南京大學(xué);2013年

8 趙江;單語(yǔ)言與跨語(yǔ)言文本蘊(yùn)含關(guān)系識(shí)別的研究[D];華東師范大學(xué);2015年

9 何文壘;基于WordNet的中英文跨語(yǔ)言文本相似度研究[D];上海交通大學(xué);2011年

10 甘燦;基于同義詞替換的自然語(yǔ)言文本信息隱藏技術(shù)研究[D];湖南大學(xué);2008年

，

本文編號(hào)：2167108