在互聯(lián)網(wǎng)中,用戶原創(chuàng)評(píng)論廣泛存在于各大社交媒體、電商網(wǎng)站中。這些評(píng)論中包含著巨大的信息和潛在的應(yīng)用價(jià)值。例如,消費(fèi)者可以通過其他用戶的觀點(diǎn)來指導(dǎo)消費(fèi);企業(yè)或商家們可以通過分析用戶反饋指導(dǎo)商業(yè)決策。隨著自然語言處理技術(shù)的發(fā)展,學(xué)者們提出了許多方法自動(dòng)的從大規(guī)模評(píng)論數(shù)據(jù)中總結(jié)用戶的觀點(diǎn)。一條評(píng)論中完整的觀點(diǎn)包括產(chǎn)品特征以及相應(yīng)的情感傾向兩個(gè)部分,分別對(duì)應(yīng)著評(píng)價(jià)點(diǎn)抽取(Aspect Extraction)和情感分析兩個(gè)子任務(wù)。然而,現(xiàn)有的大多數(shù)方法集中在某一個(gè)子任務(wù)的研究,因此無法得到完整的觀點(diǎn),實(shí)用價(jià)值大大降低。盡管一些工作對(duì)兩個(gè)任務(wù)聯(lián)合建模,但僅僅是機(jī)械的將兩個(gè)過程連接,忽略了任務(wù)的整體性。此外,Aspect級(jí)別的數(shù)據(jù)標(biāo)注十分昂貴,限制了許多監(jiān)督方法的應(yīng)用。基于以上問題,本文分別對(duì)兩個(gè)子任務(wù)進(jìn)行了研究并提出了相應(yīng)的模型,隨后將兩個(gè)模型融合,提出了弱監(jiān)督的端到端觀點(diǎn)挖掘模型。本文的研究?jī)?nèi)容歸納為以下三點(diǎn):(1)無監(jiān)督的評(píng)價(jià)點(diǎn)(Aspect)抽取的方法研究。主題模型是該任務(wù)的主流解決方法之一,本文使用效果更優(yōu)的神經(jīng)主題模型代替了傳統(tǒng)的LDA風(fēng)格主題模型,并結(jié)合任務(wù)特性,提出了多空間神經(jīng)主題模型...

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1自動(dòng)編碼器（左）和變分自動(dòng)編碼器（右）結(jié)構(gòu)圖

圖2-1自動(dòng)編碼器（左）和變分自動(dòng)編碼器（右）結(jié)構(gòu)圖主題模型題（文檔）模型使用VAE的基本框架對(duì)文本進(jìn)行建模2-2所示。在該類模型中，隱變量z被賦予了更加直接代表某一個(gè)主題，其值則代表了該主題在文檔中的權(quán)人[36]在2016年首先提出了NVDM（Neural....

圖2-2MS-NTM結(jié)構(gòu)圖

出的多空間神經(jīng)主題模型不僅選擇了更加合理的先驗(yàn)分布，同時(shí)修改了模型結(jié)構(gòu)，使其更適合于評(píng)價(jià)點(diǎn)提取任務(wù)。2.3多空間神經(jīng)主題模型本章提出了一個(gè)改進(jìn)版的神經(jīng)主題模型，該模型采用變分自動(dòng)編碼器作為基本框架，與其他神經(jīng)模型不同之處在于，該模型在不同的空間中學(xué)習(xí)不同類型的語義分布，因此我們....

圖2-3游戲（左）和餐廳（右）數(shù)據(jù)集的連貫性得分

圖2-3游戲（左）和餐廳（右）數(shù)據(jù)集的連貫性得分2.5.2.2句子級(jí)別Aspect分類上一個(gè)評(píng)價(jià)任務(wù)的結(jié)果表明MS-NTM能夠很好地提取評(píng)價(jià)點(diǎn)實(shí)體，接下來我們?cè)u(píng)估模型在句子級(jí)別的評(píng)價(jià)點(diǎn)識(shí)別（AspectCategoryIdentification）任務(wù)上的表現(xiàn)。....

圖3-1AG-LSTM結(jié)構(gòu)圖

3.2模型結(jié)構(gòu)3.2.1問題定義給定一個(gè)評(píng)論=12，其中L代表評(píng)論的長(zhǎng)度，代表評(píng)論中的第i個(gè)單詞；不失一般性，我們用=12來表示Aspect特征，其中k代表特征數(shù)量，對(duì)于ACSA問題，特征為一個(gè)類別，k=1，而對(duì)于AT....

本文編號(hào)：4041134