文本情感分析通過(guò)計(jì)算機(jī)技術(shù)自動(dòng)識(shí)別、標(biāo)注、分類(lèi)或抽取出自然語(yǔ)言文本中蘊(yùn)含的主觀性內(nèi)容,從而判斷出文本的情感傾向.詞表示學(xué)習(xí)是文本情感分析的關(guān)鍵前提,其核心問(wèn)題是從非結(jié)構(gòu)化的文本中獲取和解析語(yǔ)義知識(shí),以便從數(shù)學(xué)角度詮釋詞所蘊(yùn)含的深層語(yǔ)義和句法關(guān)系,實(shí)現(xiàn)機(jī)器對(duì)自然語(yǔ)言的理解和感知.隨著互聯(lián)網(wǎng)文本表達(dá)朝著多渠道、多主題和口語(yǔ)化的方向發(fā)展,其蘊(yùn)含的冗余和動(dòng)態(tài)不確定性對(duì)語(yǔ)義的抽象和提取提出了更高的要求,使得情感分析問(wèn)題變得更為復(fù)雜和具有挑戰(zhàn)性.鑒于此,本課題以提煉文本上下文為切入點(diǎn),根據(jù)文本語(yǔ)料的統(tǒng)計(jì)特性優(yōu)化現(xiàn)有的詞表示學(xué)習(xí)模型,并將其應(yīng)用到細(xì)粒度情感分析問(wèn)題上,以下是主要研究?jī)?nèi)容:（1）由于上下文和詞之間存在著距離分布不平衡的問(wèn)題,本文提出了一種基于顯著特征的詞向量提取方法.為了最大限度的保留文本信息的真實(shí)性和可靠性,該方法設(shè)計(jì)了一種基于距離的語(yǔ)義相關(guān)性準(zhǔn)則,并在此基礎(chǔ)上根據(jù)詞的上下文分布為其制定了上下文稀疏性標(biāo)準(zhǔn),研究了一種確定詞的顯著特征序列的方法.該方法能夠克服文本中存在的歧義、無(wú)序和噪聲等現(xiàn)象,具有統(tǒng)籌全局信息的優(yōu)點(diǎn),實(shí)驗(yàn)表明該方法在被運(yùn)用到現(xiàn)有模型時(shí)能夠極大地提高其在語(yǔ)義相似度任務(wù)上... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：127 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景及意義
    1.2 表示學(xué)習(xí)國(guó)內(nèi)外研究現(xiàn)狀與發(fā)展趨勢(shì)
        1.2.1 離散表示國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 分布式表示國(guó)內(nèi)外研究現(xiàn)狀
    1.3 情感分析國(guó)內(nèi)外研究現(xiàn)狀與發(fā)展趨勢(shì)
    1.4 面臨的困難與挑戰(zhàn)
    1.5 主要工作簡(jiǎn)介
第二章 詞表示學(xué)習(xí)內(nèi)在特性分析
    2.1 引言
    2.2 基于共現(xiàn)矩陣的分布式表示內(nèi)在特性分析
        2.2.1 基于共現(xiàn)矩陣的分布式表示模型
        2.2.2 基于共現(xiàn)矩陣的分布式表示模型對(duì)比與分析
    2.3 基于神經(jīng)網(wǎng)絡(luò)的分布式表示內(nèi)在特性分析
        2.3.1 基于神經(jīng)網(wǎng)絡(luò)的分布式表示模型
        2.3.2 基于神經(jīng)網(wǎng)絡(luò)的分布式表示模型對(duì)比與分析
    2.4 本章小結(jié)
第三章 顯著上下文特征詞向量提取方法
    3.1 引言
    3.2 問(wèn)題描述
    3.3 提取顯著上下文特征的必要性實(shí)驗(yàn)分析
    3.4 顯著上下文特征提取方法
        3.4.1 顯著上下文特征提取方法設(shè)計(jì)
        3.4.2 融合顯著上下文特征的詞向量模型實(shí)現(xiàn)
    3.5 實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)設(shè)置
        3.5.2 SaFe-PPMI模型實(shí)驗(yàn)結(jié)果與分析
        3.5.3 SaFe-SVD模型實(shí)驗(yàn)結(jié)果與分析
        3.5.4 詞向量模型實(shí)驗(yàn)對(duì)比與分析
    3.6 本章小結(jié)
第四章 精確上下文特征詞向量提取方法
    4.1 引言
    4.2 問(wèn)題描述
    4.3 提取精確上下文特征的必要性實(shí)驗(yàn)分析
    4.4 精確上下文特征提取方法
        4.4.1 精確上下文特征提取方法設(shè)計(jì)
        4.4.2 融合精確上下文特征的詞表示學(xué)習(xí)模型實(shí)現(xiàn)
    4.5 實(shí)驗(yàn)與分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 PPMI-SVD-PMIDP模型實(shí)驗(yàn)結(jié)果與分析
        4.5.3 GloVe-PMIDP模型實(shí)驗(yàn)結(jié)果與分析
        4.5.4 詞向量模型實(shí)驗(yàn)對(duì)比與分析
    4.6 本章小結(jié)
第五章 基于注意力詞向量的方面情感分類(lèi)方法
    5.1 引言
    5.2 問(wèn)題描述
    5.3 注意力詞向量的必要性實(shí)驗(yàn)分析
    5.4 注意力詞向量的設(shè)計(jì)與實(shí)現(xiàn)
        5.4.1 注意力向量的設(shè)計(jì)
        5.4.2 基于注意力向量的詞向量?jī)?yōu)化
        5.4.3 基于注意力詞向量的方面情感分類(lèi)模型實(shí)現(xiàn)
    5.5 基于細(xì)胞蜂群算法的注意力向量?jī)?yōu)化方法
        5.5.1 人工蜂群算法特性分析
        5.5.2 改進(jìn)的細(xì)胞蜂群算法
        5.5.3 細(xì)胞蜂群算法全局收斂性分析
        5.5.4 基于細(xì)胞蜂群算法的注意力向量?jī)?yōu)化
    5.6 實(shí)驗(yàn)與分析
        5.6.1 實(shí)驗(yàn)設(shè)置
        5.6.2 注意力向量的可行性及優(yōu)化性能分析
        5.6.3 ATV-CNN模型實(shí)驗(yàn)結(jié)果與分析
        5.6.4 方面情感分類(lèi)模型實(shí)驗(yàn)對(duì)比與分析
    5.7 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄:攻讀博士學(xué)位期間發(fā)表的論文



本文編號(hào)：3379505