感官語義表征與情感分析研究
發(fā)布時間：2021-08-24 23:33
近年來,隨著認知科學與人工智能的發(fā)展,跨領域融合的情感分析研究受到了越來越多的關注。情感表達一直以來都是人類溝通中重要的一環(huán),如何幫助計算機更好地理解人類情感,是也人工智能發(fā)展中重要的組成部分。當前主流的NLP（Natural Language Processing）情感分析手段是借助于文本中帶有主觀性情感色彩的特征詞向量對文本進行分析、歸納和推理。而本論文則提出了一種創(chuàng)新的分析手段——利用文本的感官語義表征來進行情感分析。認知科學與前沿心理學的相關研究指出,人類大腦皮層對感官信息進行處理的過程中會引起人們心理情感的變化,也就是說感官感受能夠影響人們的情感。因此,本研究工作利用語言中的感官信息來提升文本的情感分析效果。本文首先借助了語言學中的聲音符號詞（Sound Symbolic Words,SSW）,從詞匯的音素中提取出蘊含情感傾向的感官信息。并通過驗證融合感官特征的文本表征對情感分析的促進作用,得到這樣一個結論:除視覺與聽覺外,人工智能還可以從更多的感官渠道獲取不同維度的信息,來幫助自身的認知發(fā)展�？傆^全文,本論文工作的重心和創(chuàng)新點體現(xiàn)在以下三個方面:第一、建立日語詞匯的感官信息...
【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：97 頁
【學位級別】：碩士
【部分圖文】：
（1）棱角圖案（2）無棱角圖案
第二章相關理論及技術元音中的/o:/，/o/，/a:/等常給人以大，胖，重，濃厚的感受，如圖2-2所示。因此該調(diào)查研究同時也發(fā)現(xiàn)，冰淇淋品牌Rich’n比冰淇淋品牌Lite’nTart更富含奶油的暗示，對于單個音素的改變或許不會影響詞義，但卻能影響消費者的感知。凝聲圖2-2前元音與后元音的音素區(qū)別語在日語的交流中應用廣泛，這些擬聲詞中包含的音素特征可能在某種程度上表征了其觸覺的類別，而在多模態(tài)感官信息整合的神經(jīng)機制下，聽覺與觸覺間的相互影響很大[61]。例如，日語中的“basa-basa”和“pasa-pasa”僅在一種因素上有所不同：/b/或/p/，卻可以在感官認知和情感評估中傳達出關鍵的差異信息，使得它們最終表達不同的語義或情感。這種能夠引起人們大腦中相關感官聯(lián)想的特征音素，為我們捕獲詞匯中蘊含的感官信息搭起了一座橋梁，利用這些詞匯中特征音素我們似乎得以窺探感官信息與情感變化間的關聯(lián)性。因此，本文在接下來的工作中提出了一個多維感官信息預測系統(tǒng)，它可以基于輸入單詞的音素特征，完成詞匯在多個維度的感官上的預測打分。本工作從日語出發(fā)，探尋語言中傳達的感官信息對情感傾向的影響。2.2文本表征文本表征是自然語言處理的核心步驟，對于一篇文本數(shù)據(jù)，能否將其翻譯成有效的機器語言，決定了計算機能否發(fā)揮出強大擬合計算能力來解析和捕捉文本語義。早期的自然語言表征主要采取離散表示，如One-hot編碼。近年來，隨著深度學習的不斷發(fā)展，許多基于神經(jīng)網(wǎng)絡的詞向量訓練技術可以在海量語料基礎上，將符號化的句詞嵌入到低維稠密的空間中，提取出文本的特征，這種詞向量訓練的方法在解析句法與分析語義等方面都顯示出強的效果和潛力。詞向量的表征方式主要要有四類，第一類是基于One-hot、TF-IDF等的詞袋模型，第二類是LSA（SVD）
第二章相關理論及技術圖2-3One-hot編碼示例（LatentDirichletAllocation,LDA）[66]、Word2vec[67,68]方法以及研究目標詞語上下文關系的共現(xiàn)矩陣等等。分布式表示是將原本one-hot編碼得到的高維詞向量映射到一個更低維度的連續(xù)向量中，將語義信息嵌入到固定特征長度（n維）的低維詞向量中。從空間上來講，就是將每個單詞嵌入到n維向量空間中的一個點，因此這種方法又可被抽象地理解為詞嵌入（wordembedding）[67]，其空間映射示意圖如圖2-4所示。一般來圖2-4詞嵌入空間映射示意圖說，通過統(tǒng)計矩陣或神經(jīng)網(wǎng)絡的方式都可以得到低維的分布式表示，由這類方法得到的低維向量一般稱為詞向量、詞嵌入或分布式詞向量。分布式表示一般有兩種方法：基于統(tǒng)計矩陣和基于神經(jīng)網(wǎng)絡模型。早期的詞向量獲取主要是通過統(tǒng)計學的方法，包括構建共現(xiàn)矩陣、奇異值分解（SVD）等，比較具有代表性的就是GloVe模型[69]。后來，Hinton在1986年[70]提出了基于神經(jīng)網(wǎng)絡的分布式表示方法來獲得詞向量，其原理就是通過模型對上下文關系的學13
本文編號：3360935
【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：97 頁
【學位級別】：碩士
【部分圖文】：
（1）棱角圖案（2）無棱角圖案
第二章相關理論及技術元音中的/o:/，/o/，/a:/等常給人以大，胖，重，濃厚的感受，如圖2-2所示。因此該調(diào)查研究同時也發(fā)現(xiàn)，冰淇淋品牌Rich’n比冰淇淋品牌Lite’nTart更富含奶油的暗示，對于單個音素的改變或許不會影響詞義，但卻能影響消費者的感知。凝聲圖2-2前元音與后元音的音素區(qū)別語在日語的交流中應用廣泛，這些擬聲詞中包含的音素特征可能在某種程度上表征了其觸覺的類別，而在多模態(tài)感官信息整合的神經(jīng)機制下，聽覺與觸覺間的相互影響很大[61]。例如，日語中的“basa-basa”和“pasa-pasa”僅在一種因素上有所不同：/b/或/p/，卻可以在感官認知和情感評估中傳達出關鍵的差異信息，使得它們最終表達不同的語義或情感。這種能夠引起人們大腦中相關感官聯(lián)想的特征音素，為我們捕獲詞匯中蘊含的感官信息搭起了一座橋梁，利用這些詞匯中特征音素我們似乎得以窺探感官信息與情感變化間的關聯(lián)性。因此，本文在接下來的工作中提出了一個多維感官信息預測系統(tǒng)，它可以基于輸入單詞的音素特征，完成詞匯在多個維度的感官上的預測打分。本工作從日語出發(fā)，探尋語言中傳達的感官信息對情感傾向的影響。2.2文本表征文本表征是自然語言處理的核心步驟，對于一篇文本數(shù)據(jù)，能否將其翻譯成有效的機器語言，決定了計算機能否發(fā)揮出強大擬合計算能力來解析和捕捉文本語義。早期的自然語言表征主要采取離散表示，如One-hot編碼。近年來，隨著深度學習的不斷發(fā)展，許多基于神經(jīng)網(wǎng)絡的詞向量訓練技術可以在海量語料基礎上，將符號化的句詞嵌入到低維稠密的空間中，提取出文本的特征，這種詞向量訓練的方法在解析句法與分析語義等方面都顯示出強的效果和潛力。詞向量的表征方式主要要有四類，第一類是基于One-hot、TF-IDF等的詞袋模型，第二類是LSA（SVD）
第二章相關理論及技術圖2-3One-hot編碼示例（LatentDirichletAllocation,LDA）[66]、Word2vec[67,68]方法以及研究目標詞語上下文關系的共現(xiàn)矩陣等等。分布式表示是將原本one-hot編碼得到的高維詞向量映射到一個更低維度的連續(xù)向量中，將語義信息嵌入到固定特征長度（n維）的低維詞向量中。從空間上來講，就是將每個單詞嵌入到n維向量空間中的一個點，因此這種方法又可被抽象地理解為詞嵌入（wordembedding）[67]，其空間映射示意圖如圖2-4所示。一般來圖2-4詞嵌入空間映射示意圖說，通過統(tǒng)計矩陣或神經(jīng)網(wǎng)絡的方式都可以得到低維的分布式表示，由這類方法得到的低維向量一般稱為詞向量、詞嵌入或分布式詞向量。分布式表示一般有兩種方法：基于統(tǒng)計矩陣和基于神經(jīng)網(wǎng)絡模型。早期的詞向量獲取主要是通過統(tǒng)計學的方法，包括構建共現(xiàn)矩陣、奇異值分解（SVD）等，比較具有代表性的就是GloVe模型[69]。后來，Hinton在1986年[70]提出了基于神經(jīng)網(wǎng)絡的分布式表示方法來獲得詞向量，其原理就是通過模型對上下文關系的學13
本文編號：3360935
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3360935.html
最近更新
教材專著
