情感分析是自然語言處理中一個非常活躍的研究領域。近來,互聯(lián)網(wǎng)上出現(xiàn)了許多包含用戶評論的文本資源:互聯(lián)網(wǎng)用戶的想法、論壇、社交網(wǎng)絡、消費者調查等�？紤]到數(shù)據(jù)的豐富性,自動綜合多個觀點對于獲得對即定主題情感的概述變得至關重要。該研究對于希望了解客戶對其產品的反饋意見的公司,以及希望查詢關于產品或旅行的評論的人來說都很有吸引力。在過去的十年里,推特已經變得很流行,并且成為許多人日常生活的一部分。在該論文中,筆者研究了Twitter消息中的諷刺檢測。盡管大多數(shù)關于諷刺檢測的研究都強調詞匯、句法或語用特征的使用。這些特征通常通過比喻手段來表達,如單詞、表情符號和感嘆號。在本文中,作者將注意力機制與深度神經模型相結合,并將其與目前最先進的特征工程方法進行了比較,探索深度學習在諷刺檢測任務中的應用。作者還建立了一個關于諷刺存在的tweet手動注釋數(shù)據(jù)集。因為遞歸神經網(wǎng)絡（RNN）模型通常不能囊括其最終的所有重要信息隱藏狀態(tài),作者重點關注機制的影響,首先通過與長期短期記憶（LSTM）結合探究,然后與雙向長期短期記憶（BLSTM）結合探究找出句子中的每個單詞的相對作用。結果表明,基于注意機制下的LSTM... 

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 Introduction
    1.1 Twitter Overview
    1.2 Definition of Sarcasm
    1.3 Why is sarcasm detection interesting?
    1.4 Objectives and Contributions
    1.5 Thesis Structure
2 Related Work
    2.1 Previous Works on Sentiment Analysis
    2.2 Previous Works on Sarcasm Detection
3 Background
    3.1 General Neural Networks
    3.2 Convolutional Neural Network
        3.2.1 Convolution
        3.2.2 Max Pooling
    3.3 Recurrent Neural Networks
        3.3.1 Long Short-Term Memory(LSTM)
    3.4 Training
        3.4.1 Cost Function
        3.4.2 Gradient Descent
        3.4.3 Backpropagation
    3.5 Overfitting
    3.6 Word Embedding
    3.7 Attention Mechanism
4 Proposed Method
    4.1 Data Collection
    4.2 Data Preprocessing
    4.3 Proposed Model Architecture
        4.3.1 Input Layer
        4.3.2 Embedding Layer
        4.3.3 LSTM Layer
        4.3.4 Attention Layer
        4.3.5 Bidirectional Long Short-Term Memory(BLSTM)Layer
5 Data and Experiment Setup
    5.1 Datasets
        5.1.1 Collected Dataset
        5.1.2 Gosh and Veale Dataset
    5.2 Parameter Setting
        5.2.1 Hardware and Software Details
        5.2.2 Hyperparameter
6 Results and Analysis
    6.1 Scoring Methods
        6.1.1 Accuracy
        6.1.2 F1-Score
    6.2 Result on Ghosh and Veale Dataset
    6.3 The Result of Collected Dataset
    6.4 Results Comparison on Different Datasets
    6.5 Evaluation
Conclusion and Future Work
References
Research Projects and Publications in Master Study
Acknowledgements



本文編號：3731518