細(xì)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(duì)某事或某物各個(gè)方面的觀點(diǎn)。細(xì)粒度的商品評(píng)論情感分析能輔助消費(fèi)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(xiàng)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(fèi)者快速定位到感興趣的Aspect,同時(shí)Aspect節(jié)點(diǎn)聚集了對(duì)應(yīng)方面的情感極性,能讓消費(fèi)者快速了解Aspect的整體評(píng)價(jià)。針對(duì)Aspect抽取問題,考慮到詞語臨近上下文對(duì)該詞標(biāo)注結(jié)果有較大影響,本文提出采用詞語級(jí)別CNN（Word-level CNN）進(jìn)行標(biāo)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(jìn)而影響標(biāo)注結(jié)果,本文提出加入字符級(jí)別CNN（Char-level CNN）學(xué)習(xí)詞語的字符組成信息（形態(tài)學(xué)信息）來增強(qiáng)特征表示能力,即兩層級(jí)別CNN（Two-level CNN,TCNN）。針對(duì)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(gè)句子中存在多個(gè)Aspect的情況會(huì)因不同Aspect的特征較相近導(dǎo)致分類錯(cuò)誤,對(duì)此本文提出了基于注意力機(jī)制的CN... 

【文章來源】：華南理工大學(xué)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(xué)位級(jí)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(yùn)：

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(jì)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(shí)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(gè)?ｗ?ｔ?ｗ?個(gè)?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(shí)刻的輸入、隱層狀態(tài)和輸出，計(jì)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(shí)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(gè)時(shí)刻的輸出不僅依賴于Ｓ前輸入，??還與衛(wèi)個(gè)時(shí)刻的隱層輸出有關(guān)，這個(gè)特點(diǎn)也決定了?ＲＮＮ訓(xùn)練過程中難以高效并行計(jì)算。??ＲＮＮ通過反向傳播算法訓(xùn)練

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)和CRFs的產(chǎn)品評(píng)論觀點(diǎn)抽取方法[J]. 睢國(guó)欽,那日薩,彭振.  情報(bào)雜志. 2019(05)
[2]在線用戶評(píng)論細(xì)粒度屬性抽取[J]. 周清清,章成志.  情報(bào)學(xué)報(bào). 2017(05)
[3]基于監(jiān)督學(xué)習(xí)的中文情感分類技術(shù)比較研究[J]. 唐慧豐,譚松波,程學(xué)旗.  中文信息學(xué)報(bào). 2007(06)



本文編號(hào)：3144155