隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展,越來越多的用戶熱衷于在網(wǎng)絡(luò)上對產(chǎn)品、服務(wù)、時(shí)事等發(fā)表評論。如果能自動(dòng)挖掘出這些主觀性文本中蘊(yùn)含的情感傾向,對個(gè)人、企業(yè)、政府等有著巨大的應(yīng)用價(jià)值和經(jīng)濟(jì)價(jià)值。文本情感分類技術(shù)正是解決這一問題最有效的工具。半監(jiān)督學(xué)習(xí)作為一種普適性的機(jī)器學(xué)習(xí)技術(shù),能夠充分利用未標(biāo)注樣本提升分類性能。針對文本情感分類很多場景面臨標(biāo)注語料不足、而標(biāo)注樣本費(fèi)時(shí)費(fèi)力的情況,本文主要圍繞半監(jiān)督學(xué)習(xí)情感分類展開研究。本文主要?jiǎng)?chuàng)新點(diǎn)如下:一、本文提出了基于分層抽樣隨機(jī)子空間的協(xié)同訓(xùn)練情感分類算法。該算法采用分層抽樣的方法構(gòu)建子空間,改進(jìn)了將隨機(jī)特征子空間半監(jiān)督學(xué)習(xí)算法直接應(yīng)用于文本情感分類中可能會(huì)存在部分子空間不包含強(qiáng)相關(guān)屬性的缺點(diǎn),算法在確保子空間多樣性的前提下,有效提升了每個(gè)子空間的充分性。實(shí)驗(yàn)表明,本文算法的分類效果要優(yōu)于基于隨機(jī)特征子空間的半監(jiān)督學(xué)習(xí)算法以及其他部分常用的半監(jiān)督學(xué)習(xí)算法。二、本文提出了基于多樣性與高置信度估計(jì)的半監(jiān)督情感分類算法。該算法結(jié)合樣本的后驗(yàn)概率和先驗(yàn)分布信息,改善了增量式自訓(xùn)練算法在迭代訓(xùn)練的過程中易引入誤標(biāo)記樣本的問題。其次,為了避免引入的樣本分布集中會(huì)造成數(shù)...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2初始標(biāo)注樣本5%時(shí)不同半肚$分類方法情啟分類性筑比較

３期高偉等：基于集成學(xué)習(xí)的半監(jiān)督情感分類方法研究算法流程參見３．２．１節(jié)。（３）ＬａｂｅｌＰｒｏｐａｇａｔｉｏｎ：標(biāo)簽傳播算法，具體算法流程參見３．２．２節(jié)。（４）我們的方法：對每個(gè)子半監(jiān)督學(xué)習(xí)算法進(jìn)行一致性標(biāo)簽融合，選擇標(biāo)注一致的未標(biāo)注樣本更新初始標(biāo)注樣本，即本文重點(diǎn)提出的方法....

圖２－１向量空間模型圖??文檔的向量空間表示的主要任務(wù)是為特征向量找到合適的編碼

？．）?＝?（＆．?：ｗｕ，．．．，ｇ：ｗｗ．），其中；表示文檔中的特征，ｗ表示特征對應(yīng)的權(quán)重。在??＾維向量空間中，用特征項(xiàng)來代表坐標(biāo)系，特征權(quán)重（％，，．．．，＞〇代表??坐標(biāo)值，因此，文檔ｄ可以由《維數(shù)值特征向量ＯｐＷｊ，．．．，ｗ？）表示，如圖２－１所??７Ｊｎ?〇??，....

圖２－２?ＳＶＭ基本原理圖??假設(shè)給定訓(xùn)練樣本集合Ｔ?＝?％），（ｘ２，％），．．．，（％，｝＾）丨，其中ｘ，＋?ｅｆ，??

ＳＶＭ是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的分類技術(shù)，由Ｃｏｒｔｅｓ和＼＾口１１＆［４１］于１９９５??年提出。它的基本思想是試圖通過最大化最近鄰訓(xùn)練樣本與分離超平面的幾何間??隔找到最佳分離超平面�？梢酝ㄟ^下圖２－２對ＳＶＭ的算法原理有一個(gè)基本認(rèn)識(shí)，??圖中正方形代表正例樣本，圓圈代表負(fù)例樣....

圖３－１初始比例為５％時(shí)各半監(jiān)督情感分類算法效果對比圖??－

Ｓｔｒａｔｉｆｉｅｄ?Ｃｏ－ｔｒａｉｎｉｎｇ：本章提出的算法，其算法流程參考算法３－２，同樣設(shè)置??子空間個(gè)數(shù)為ｍ＝２。??圖３－１給出了在三種語料下各種半監(jiān)督學(xué)習(xí)算法的性能對比。具體實(shí)驗(yàn)時(shí)，??初始標(biāo)注樣本的比例為５％，測試數(shù)據(jù)的比例為２０％，剩下的為未標(biāo)注樣本。??〇．８?ｎ....

本文編號(hào)：3905693