特定目標(biāo)情感分類（aspect-based sentiment analysis,ABSA）是情感分類領(lǐng)域中的一項(xiàng)基礎(chǔ)任務(wù),它的主要任務(wù)是在給定目標(biāo)實(shí)體的情況下對(duì)短語(yǔ)或者文本進(jìn)行情感分類。在早期完成此任務(wù)一般采用基于情感詞典的方法及淺層機(jī)器學(xué)習(xí)的方法。近幾年,隨著深度學(xué)習(xí)的快速發(fā)展,大部分研究者更專注于采用深度學(xué)習(xí)的方法�；谏疃葘W(xué)習(xí)的方法大致可以分為兩步:第一步將需要分類的短語(yǔ)或文本轉(zhuǎn)化為詞向量（word vector）。第二步利用神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)轉(zhuǎn)化好的信息進(jìn)行分類。在第一步中由于詞向量的訓(xùn)練需要龐大的數(shù)據(jù)集,所以以往基于深度學(xué)習(xí)的方法都沒(méi)有花大量的時(shí)間在訓(xùn)練詞向量上,而是直接使用深度學(xué)習(xí)框架預(yù)訓(xùn)練好的詞向量,但這些詞向量集并不能全體覆蓋都有的詞語(yǔ),且不同語(yǔ)境下的詞語(yǔ)也會(huì)有不同的上下文關(guān)系,導(dǎo)致預(yù)訓(xùn)練詞向量的魯棒性不強(qiáng)。在第二步中,如何更準(zhǔn)確的確定目標(biāo)實(shí)體與情感詞之間的關(guān)系,一直都是特定目標(biāo)情感分類待優(yōu)化的問(wèn)題。此外長(zhǎng)文本的上下文語(yǔ)義難以得到準(zhǔn)確的保存問(wèn)題依舊存在。為了提高預(yù)訓(xùn)練的魯棒性及分類的準(zhǔn)確性,本文做了如下的主要研究工作:首先針對(duì)預(yù)訓(xùn)練詞向量的魯棒性的問(wèn)題,提出對(duì)預(yù)訓(xùn)練后的詞向... 

【文章來(lái)源】：湘潭大學(xué)湖南省

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

電影《逃學(xué)威龍》影評(píng)

2在進(jìn)行網(wǎng)絡(luò)購(gòu)物時(shí)，所看到的商品完全是虛擬化的，過(guò)于抽象，無(wú)法真實(shí)的了解到商品的質(zhì)量及規(guī)格等，這使得在線評(píng)論成為了消費(fèi)者了解及是否購(gòu)買(mǎi)商品的重要參考評(píng)價(jià)之一，起著參考性甚至決定性的作用。不僅如此，這些在線評(píng)論對(duì)于商家而言也是非常重要的評(píng)價(jià)指標(biāo)。所以通過(guò)細(xì)粒度的情感分析得到相應(yīng)產(chǎn)品指標(biāo)的情感，于商家，可作為商家產(chǎn)品改進(jìn)及商家決定主打產(chǎn)品的指導(dǎo)方向；于消費(fèi)者，可通過(guò)各項(xiàng)產(chǎn)品指標(biāo)快速定位到自己所需的產(chǎn)品。圖1.2某電商平臺(tái)的商品評(píng)價(jià)在信貸風(fēng)控領(lǐng)域，如何能準(zhǔn)確且及時(shí)的發(fā)現(xiàn)信貸風(fēng)險(xiǎn)是一個(gè)長(zhǎng)久以來(lái)的問(wèn)題。傳統(tǒng)信貸風(fēng)控通過(guò)填表、走訪等方式來(lái)收集信貸對(duì)象的相關(guān)信息，形成內(nèi)部結(jié)構(gòu)化的數(shù)據(jù)，再利用傳統(tǒng)的金融模型進(jìn)行分析。但由于內(nèi)部機(jī)構(gòu)化的數(shù)據(jù)蘊(yùn)含的數(shù)據(jù)價(jià)值有限，傳統(tǒng)信貸風(fēng)控的效果遇到了瓶頸。隨著大數(shù)據(jù)時(shí)代的到來(lái)，互聯(lián)網(wǎng)上所蘊(yùn)含有價(jià)值的信息越來(lái)越多，于是越來(lái)越多的目光開(kāi)始聚集在互聯(lián)網(wǎng)的信息上，信貸公司希望能通過(guò)互聯(lián)信息網(wǎng)篩選出相關(guān)目標(biāo)的輿情信息，以結(jié)合傳統(tǒng)信貸風(fēng)控提高風(fēng)控效果。但互聯(lián)網(wǎng)信息不僅多而雜，且更新速度極快，人工的篩選顯得乏力，所以更多的信貸公司會(huì)選擇結(jié)合人工篩選與人工智能的方式來(lái)進(jìn)行，以在減少人工投入的情況下，更準(zhǔn)確、更及時(shí)的獲取相關(guān)信息，而人工智能主要體現(xiàn)在基于特定目標(biāo)情感分類上。近幾年，對(duì)于基于特定目標(biāo)情感分類應(yīng)用場(chǎng)景越來(lái)越多，遠(yuǎn)不止上述，盡管當(dāng)前的分類技術(shù)正在蓬勃發(fā)展，但由于自然語(yǔ)言的復(fù)雜且靈活，如何能更準(zhǔn)確的讓機(jī)器理解自然語(yǔ)言，從而更準(zhǔn)確的進(jìn)行情感分類依舊具有著重要的研究意義。1.2特定目標(biāo)情感分類的難點(diǎn)特定目標(biāo)情感分類旨在利用自然語(yǔ)言處理技術(shù)，在給定特定目標(biāo)實(shí)體的情況下，分析短語(yǔ)或文本的情感傾向，但由于自然語(yǔ)言的復(fù)雜?

17=((|,))(3.1)(|,)=(+)(3.2)其中與都是可訓(xùn)練的參數(shù)，為權(quán)重，為偏置，為最終預(yù)計(jì)。本文所用損失函數(shù)為gluon自帶的softmax與交叉熵函數(shù)(SoftmaxCrossEntropyLoss)，所以上述公式中，模型只包含交給softmax結(jié)果的訓(xùn)練部分。圖3.1WV-LRC特定目標(biāo)情感分類模型總體結(jié)構(gòu)圖3.2詞向量微調(diào)盡管預(yù)訓(xùn)練的詞向量是通過(guò)大量的語(yǔ)意語(yǔ)料訓(xùn)練出來(lái)的，但并不一定適合所有的情感分類任務(wù)數(shù)據(jù)，在WV-LRC模型的輸入層中，本文加入了一個(gè)詞向量微調(diào)操作，具體實(shí)現(xiàn)為：在嵌入詞向量后，再將所有詞向量分別輸入一個(gè)以作為激活函數(shù)的全連接層，得到新的詞向量。本文認(rèn)為在不同的數(shù)據(jù)集上，不同的詞語(yǔ)語(yǔ)境會(huì)有所變化，這時(shí)預(yù)訓(xùn)練好的詞向量在不同的數(shù)據(jù)集上表現(xiàn)就會(huì)有所不同，即預(yù)訓(xùn)練的詞向量魯棒性有待提高。本文采用一層以為激活函數(shù)的全連接層對(duì)詞向量嵌入后的結(jié)果再次進(jìn)行調(diào)整，使其在訓(xùn)練分類模型的同時(shí)微小的調(diào)整詞向量，以提高詞向量在不同數(shù)據(jù)集上的魯棒性。本文在后續(xù)實(shí)驗(yàn)中有對(duì)是否使用詞向量微調(diào)進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明詞向量的微調(diào)可以提高模型對(duì)特定目標(biāo)情感分類的準(zhǔn)確性。

【參考文獻(xiàn)】：
期刊論文
[1]Twitter情感分析中停用詞處理[J]. 高巍,孫盼盼,李大舟.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(11)
[2]基于樸素貝葉斯的文本情感分類及實(shí)現(xiàn)[J]. 梁柯,李健,陳穎雪,劉志鋼.  智能計(jì)算機(jī)與應(yīng)用. 2019(05)
[3]基于支持向量機(jī)的網(wǎng)絡(luò)評(píng)論情感分析方法[J]. 程正雙,王亮.  電子技術(shù)與軟件工程. 2019(16)
[4]自然語(yǔ)言處理發(fā)展及應(yīng)用綜述[J]. 趙京勝,宋夢(mèng)雪,高祥.  信息技術(shù)與信息化. 2019(07)
[5]基于Word2vec和多分類器的影評(píng)情感分類方法[J]. 王學(xué)賀,趙華.  寧夏大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[6]基于樸素貝葉斯的細(xì)粒度意見(jiàn)挖掘[J]. 劉麗.  物聯(lián)網(wǎng)技術(shù). 2019(06)
[7]基于LSTM和多特征組合的電影評(píng)論專業(yè)程度分類[J]. 吳璠,李壽山,周國(guó)棟.  計(jì)算機(jī)科學(xué). 2019(S1)
[8]情感分析在商品評(píng)論中的應(yīng)用[J]. 張明輝.  現(xiàn)代信息科技. 2019(10)
[9]一種基于支持向量機(jī)和主題模型的評(píng)論分析方法[J]. 陳琪,張莉,蔣競(jìng),黃新越.  軟件學(xué)報(bào). 2019(05)
[10]基于RNTN和CBOW的商品評(píng)論情感分類[J]. 彭三春,張?jiān)迫A.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(03)

碩士論文
[1]企業(yè)互聯(lián)網(wǎng)負(fù)面信息抓取研究[D]. 王倪東.湘潭大學(xué) 2018



本文編號(hào)：3428941