發(fā)布時間：2021-04-17 21:16

　　細粒度情感分析能夠幫助人們提高獲取信息的效率,了解公眾對某事或某物各個方面的觀點。細粒度的商品評論情感分析能輔助消費者做購買決策,幫助生產(chǎn)商改善商品。本文將研究其涉及的三項任務(wù):Aspect抽取、基于Aspect情感分析及Aspect層次結(jié)構(gòu)構(gòu)建�；贏spect層次結(jié)構(gòu)的情感分析能夠幫助消費者快速定位到感興趣的Aspect,同時Aspect節(jié)點聚集了對應(yīng)方面的情感極性,能讓消費者快速了解Aspect的整體評價。針對Aspect抽取問題,考慮到詞語臨近上下文對該詞標注結(jié)果有較大影響,本文提出采用詞語級別CNN（Word-level CNN）進行標注,通過卷積窗口捕捉n-grams信息。此外,觀察到詞形能夠反映詞性進而影響標注結(jié)果,本文提出加入字符級別CNN（Char-level CNN）學習詞語的字符組成信息（形態(tài)學信息）來增強特征表示能力,即兩層級別CNN（Two-level CNN,TCNN）。針對Aspect情感分析問題,已有方法利用上下文為Aspect構(gòu)造特征,在一個句子中存在多個Aspect的情況會因不同Aspect的特征較相近導致分類錯誤,對此本文提出了基于注意力機制的CN... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖２－２卷積過程??其中．ｉｍａｅ是輸入圖像矩陣．，．Ｃｏｖ?Ｋｅｒｎｅｌ是卷積核．，Ｃｏｖ?ｌａｅｒ是輸入經(jīng)過卷積運：

圖２－３最大池化??

２．２．２?循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）??２０世紀９０年代，Ｅｌｍａｎ、Ｊｏｒｄａｎ等人提出循環(huán)神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)決定了循環(huán)神??經(jīng)網(wǎng)絡(luò)適用于處理時序數(shù)據(jù)，其結(jié)構(gòu)如圖２－４所示。??６?°．－ｉ?°＜?°ｎ，??ｙ?ｗ?ｖｔ?ｖ＼?ｖ??Ｖ＾?ｕＷ＾?個?ｗ?ｔ?ｗ?個?ｗ??ｕ?ｋ；?ｋ；?ｕ??ｘ?ｘ，－ｉ?ｘ，??Ｓ?２－４循環(huán)神經(jīng)網(wǎng)絡(luò)１??其中，ｘｔ、ｓｔ、〇ｔ分別是ｔ時刻的輸入、隱層狀態(tài)和輸出，計算過程如下公式：??ｓｔ?＝?ｆ（Ｕｘｔ?＋?Ｗｓｔ＿ｔ?＋?ｂｈ）?（２－２）??〇ｔ?＝?９（ｙｓｔ＿ｘ?＋?ｂｙ）?（２－３）??Ｃ／、ＰＦ、Ｆ分別是輸入與隱層，時間步之間、隱層與輸出之間的連接權(quán)重，？表??：示偏置向量．》．．／■（？）、＿ｇ（〇表示激活函數(shù)．�？梢灾剑�，每個時刻的輸出不僅依賴于Ｓ前輸入，??還與衛(wèi)個時刻的隱層輸出有關(guān)，這個特點也決定了?ＲＮＮ訓練過程中難以高效并行計算。??ＲＮＮ通過反向傳播算法訓練

【參考文獻】：
期刊論文
[1]基于深度學習和CRFs的產(chǎn)品評論觀點抽取方法[J]. 睢國欽,那日薩,彭振.  情報雜志. 2019(05)
[2]在線用戶評論細粒度屬性抽取[J]. 周清清,章成志.  情報學報. 2017(05)
[3]基于監(jiān)督學習的中文情感分類技術(shù)比較研究[J]. 唐慧豐,譚松波,程學旗.  中文信息學報. 2007(06)



本文編號：3144155