隨著社交軟件和電商平臺等應(yīng)用的蓬勃發(fā)展,存在于這些應(yīng)用的海量文本數(shù)據(jù)蘊(yùn)含著大眾對某些熱點(diǎn)事件的情感態(tài)度,對文本數(shù)據(jù)進(jìn)行情感分析,挖掘其包含的情感態(tài)度在輿情監(jiān)控和策略制定等方面具有深遠(yuǎn)意義。傳統(tǒng)的文本情感分析方法為挖掘情感態(tài)度提供了技術(shù)支持,但系統(tǒng)的魯棒性較低,在文本被惡意添加擾動或被破壞時,對情感分析系統(tǒng)會造成一定的干擾,從而導(dǎo)致結(jié)果的誤判。為了提高文本情感分析系統(tǒng)的穩(wěn)定性和準(zhǔn)確性,本文重點(diǎn)研究在強(qiáng)魯棒性前提下的文本情感分類問題,具體的研究內(nèi)容如下:（1）針對文本情感分析系統(tǒng)魯棒性不高的問題,本文提出融合對抗訓(xùn)練和對抗Dropout方法的文本情感分析模型。采用對抗訓(xùn)練在輸入層對文本添加對抗擾動來訓(xùn)練對抗樣本,同時在網(wǎng)絡(luò)的隱藏層進(jìn)行對抗性Dropout,以動態(tài)遮蔽適當(dāng)數(shù)量的神經(jīng)元,從而提高模型魯棒性和情感分類效果。（2）為了在強(qiáng)魯棒性的條件下進(jìn)一步提高情感分類的性能,本文提出結(jié)合注意力機(jī)制與對抗訓(xùn)練的文本情感分析模型。注意力包含基于情感詞的全局注意力機(jī)制和基于自適應(yīng)尺度的局部注意力機(jī)制,前者既關(guān)注到情感詞又保留了文本信息的完整性,后者既可以自適應(yīng)地選擇合適的尺度又捕捉到重要的局部信息。將... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

BERT模型

RNN隨時間展開的層級示意圖

對抗訓(xùn)練結(jié)構(gòu)圖

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)中的對抗樣本問題[J]. 張思思,左信,劉建偉.  計(jì)算機(jī)學(xué)報(bào). 2019(08)
[2]人工智能對抗攻擊研究綜述[J]. 易平,王科迪,黃程,顧雙馳,鄒福泰,李建華.  上海交通大學(xué)學(xué)報(bào). 2018(10)
[3]基于詞典的中文微博情緒識別[J]. 牛耘,潘明慧,魏歐,蔡昕燁.  計(jì)算機(jī)科學(xué). 2014(09)



本文編號：3138716