隨著工業(yè)和信息技術(shù)的進步,人類對自然環(huán)境的影響逐漸增大,環(huán)境變化同時影響人類社會的活動。了解人們對環(huán)境變化的想法可以在相關(guān)工作中更準(zhǔn)確快速地發(fā)現(xiàn)亟待解決的問題。而在自媒體的時代,人們可以在各種平臺發(fā)表自己的觀點,這些觀點對其他人具有參考價值。由于非常多的觀點以文本的形式發(fā)表,且數(shù)量較多,涉及的領(lǐng)域各不相同,用計算機對這些文本進行自動處理已經(jīng)成為研究的熱點。這類任務(wù)被稱為傾向分析任務(wù),它可以分為對整篇文檔進行分析的粗粒度傾向分析,以及對句子和詞語進行分析的細(xì)粒度傾向分析。對于處理人類的自然語言的任務(wù),文本表示一直是非常關(guān)鍵的環(huán)節(jié)。特征提取和特征加權(quán)方法采用詞袋模型,存在缺少語義信息、高維度和高稀疏性的問題。本文將特征加權(quán)、詞嵌入方法Word2Vec與話題模型相結(jié)合,在粗細(xì)粒度上均提出新的文本表示方法,新方法的模型維度低且涵蓋更多語義信息。對篇章級的文檔表示,本文提出一種無監(jiān)督的基于特征概率嵌入向量的文本表示方法。它有三個模型,分別是FTW、FTC和FT2,主要用于短文本。本文的方法從詞語的角度增加語義信息,從空間的角度增加向量空間模型的表達(dá)能力,極大地降低了文檔向量的維度,可以很好地解決...

【文章頁數(shù)】：107 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
        1.1.1 文本傾向分析的提出
        1.1.2 文本傾向分析的應(yīng)用
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 篇章級傾向分析
        1.2.2 句子級和詞語級傾向分析
    1.3 本文研究內(nèi)容和結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 本文結(jié)構(gòu)
第二章 文本向量表示的基本方法
    2.1 NLP的方法概述
    2.2 特征提取與加權(quán)
        2.2.1 無監(jiān)督的特征加權(quán)方法
        2.2.2 有監(jiān)督的特征加權(quán)方法
    2.3 LDA話題模型
    2.4 Word2Vec詞嵌入
    2.5 本章小結(jié)
第三章 基于特征概率嵌入的文檔表示方法
    3.1 引言
    3.2 相關(guān)模型與分類方法
        3.2.1 話題模型與Lda2vec
    3.3 特征概率嵌入向量模型
        3.3.1 基于詞向量和特征加權(quán)的文檔表示方法
        3.3.2 基于詞向量和話題概率模型的文檔表示方法
        3.3.3 基于特征概率嵌入向量的文檔表示方法
    3.4 實驗與結(jié)果分析
        3.4.1 語料庫
        3.4.2 預(yù)處理
        3.4.3 實驗設(shè)置
        3.4.4 文本分類器
        3.4.5 性能評估
        3.4.6 實驗結(jié)果和討論
    3.5 本章小結(jié)
第四章 領(lǐng)域相關(guān)的詞表示方法
    4.1 引言
    4.2 基于頻率交叉熵和模糊詞模型的詞向量表示方法
        4.2.1 基于頻率交叉熵的特征提取方法
        4.2.2 基于模糊詞模型的詞向量表示方法
    4.3 實驗與結(jié)果分析
        4.3.1 語料庫、參數(shù)和評價指標(biāo)
        4.3.2 實驗結(jié)果和討論
    4.4 本章小結(jié)
第五章 基于相似特征頻率的文本表示方法
    5.1 引言
    5.2 相關(guān)特征加權(quán)方法
    5.3 基于特征相似頻率的話題抽取方法
        5.3.1 STF-LDA模型
        5.3.2 TS-LDA模型
    5.4 實驗結(jié)果及分析
        5.4.1 評估方法
        5.4.2 實驗及分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
在學(xué)期間公開發(fā)表論文及著作情況



本文編號：3808501