【摘要】：文本情感分析作為自然語言處理領(lǐng)域的研究熱點(diǎn)之一,近年來受到越來越多的關(guān)注,其目的在于自動(dòng)地從文本中提取和歸納主觀情感信息�，F(xiàn)有的文本情感分析方法主要可以分為基于情感詞典的方法和基于機(jī)器學(xué)習(xí)的方法�；谇楦性~典的方法嚴(yán)重依賴于情感詞典的質(zhì)量,而構(gòu)建一個(gè)覆蓋范圍廣且精確的情感詞典是非常困難的�；跈C(jī)器學(xué)習(xí)的文本情感分析方法依賴于構(gòu)建和抽取的特征,但傳統(tǒng)的特征表示方法都不能很好的保留文本的語義信息。隨著深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的廣泛應(yīng)用,深度學(xué)習(xí)模型被證明在特征提取方面有著很大優(yōu)勢,其中循環(huán)神經(jīng)網(wǎng)絡(luò)由于其特殊的循環(huán)鏈?zhǔn)浇Y(jié)構(gòu),非常適合處理文本等序列數(shù)據(jù),已被廣泛應(yīng)用到自然語言處理領(lǐng)域。本文主要研究基于循環(huán)神經(jīng)網(wǎng)絡(luò)的文本情感分析方法。本文的工作內(nèi)容可以分為如下兩塊:1)循環(huán)神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)的情感分析任務(wù)上的應(yīng)用�？紤]到文本的情感極性很大程度上取決于句子中帶有情感傾向性的詞語,對文本中的情感詞加以關(guān)注將有助于提高情感分類的效果。針對目前情感分析中的循環(huán)神經(jīng)網(wǎng)絡(luò)模型缺乏對情感詞的關(guān)注,本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的情感分析注意力模型(RNN-Attention),通過引入注意力機(jī)制,在情感分類時(shí)著重考慮文本中的情感詞的影響。在NLPCC 2014情感分析數(shù)據(jù)集以及IMDB影評數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)結(jié)果表明,該模型能夠提高情感分析的效果。2)針對目標(biāo)依賴情感分析任務(wù)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型。目標(biāo)依賴情感分析針對給定的一個(gè)目標(biāo)對象,判斷句子關(guān)于該對象的情感極性。目前,大多數(shù)的情感分析方法都是針對傳統(tǒng)的情感分析任務(wù),即對給定的一段文本直接分析它所表達(dá)的情感傾向。使用傳統(tǒng)情感分析的方法進(jìn)行目標(biāo)依賴的情感分析時(shí),由于沒有考慮目標(biāo)對象的信息,會(huì)導(dǎo)致作出錯(cuò)誤的判斷。為了解決這個(gè)問題,本文在RNN-Attention模型的基礎(chǔ)上進(jìn)行改進(jìn),提出RNN-Attention-T模型,該模型在對文本進(jìn)行建模的同時(shí)引入目標(biāo)對象的信息。此外,考慮到目標(biāo)對象的上文和下文對句子情感傾向的影響程度往往是不同的,本文接著提出了一種對目標(biāo)對象的上文和下文分別建模的RNN-Attention-C模型。實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有的目標(biāo)依賴情感分析方法相比,本文所提出的改進(jìn)模型能夠在不使用句法解析器和外部情感詞典的情況下獲得較好的分類效果。
[Abstract]:As one of the research hotspots in the field of natural language processing, text emotional analysis has attracted more and more attention in recent years. Its purpose is to automatically extract and induce subjective emotional information from text. The existing text emotion analysis methods can be divided into affective dictionary based method and machine learning method. The method based on emotion dictionary depends heavily on the quality of emotion dictionary, and it is very difficult to construct an emotion dictionary with wide coverage and accuracy. The text emotion analysis method based on machine learning depends on the feature of construction and extraction, but the traditional feature representation method can not preserve the semantic information of the text. With the wide application of depth learning technology in computer vision field, depth learning model has been proved to have great advantages in feature extraction. It is very suitable for processing sequential data such as text, and has been widely used in the field of natural language processing. This paper mainly studies the text emotion analysis method based on cyclic neural network. The work of this paper can be divided into two parts: 1) the application of cyclic neural network in traditional affective analysis task. Considering that the emotional polarity of the text depends to a great extent on the words with emotional orientation in the sentence, paying attention to the emotional words in the text will help to improve the effect of emotion classification. In view of the lack of attention to affective words in the current cyclic neural network model, this paper proposes an affective analysis attention model (RNN-Attention) based on cyclic neural network, which introduces attention mechanism. In affective classification, the influence of affective words in the text is taken into account. The experimental results on the NLPCC 2014 emotional analysis data set and the IMDB image review dataset show that the model can improve the effect of emotional analysis. 2) the circulatory neural network model for the goal dependent affective analysis task. Goal-dependent affective analysis determines the emotional polarity of a sentence about a given object. At present, most of the affective analysis methods are aimed at the traditional task of affective analysis, that is, to analyze the emotional tendency of a given text directly. When the traditional affective analysis method is used to analyze the goal-dependent emotion, the wrong judgment will be made because the information of the target object is not considered. In order to solve this problem, this paper improves on the RNN-Attention model and proposes a RNN-Attention-T model, which not only models the text but also introduces the information of the target object. In addition, considering that the influence of the above and the following on the affective tendency of the sentence is often different, this paper then proposes a RNN-Attention-C model of the target object, which is modeled separately above and below. The experimental results show that the proposed improved model can achieve better classification results without using syntactic parsers and external affective dictionaries compared with existing object-dependent affective analysis methods.
【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
【分類號(hào)】：TP391.1;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報(bào);2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計(jì)角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計(jì)教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計(jì)算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報(bào);2006年03期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動(dòng)化會(huì)議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報(bào);2003年

4 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報(bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日報(bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：2238206