近年來,文本情感分類已經(jīng)成為自然語言處理領(lǐng)域最活躍的方向之一,在數(shù)據(jù)挖掘、信息檢索、問答系統(tǒng)、智能推薦等方向都有重要應(yīng)用。傳統(tǒng)的文本情感分類通常是句子級或者文檔級情感傾向識別任務(wù),只需要給出句子或文檔針對實(shí)體的整體情感傾向。但是如果想要獲取用戶對實(shí)體每個(gè)屬性的情感傾向,就需要提出新的方法和框架解決,文本細(xì)粒度情感分類應(yīng)運(yùn)而生。細(xì)粒度情感分類即推斷文本中涉及的每個(gè)屬性的情感傾向,一般分為正向、負(fù)向和中性情感。注意力機(jī)制能夠從源序列數(shù)據(jù)中提取得到與目標(biāo)相關(guān)的內(nèi)容,被廣泛應(yīng)用在細(xì)粒度情感分類模型中提取與屬性相關(guān)的情感特征,顯著提升了模型的性能。因此,本文以注意力機(jī)制為基礎(chǔ)進(jìn)行文本細(xì)粒度情感分類的研究。本文的內(nèi)容主要包括:（1）本文提出了一種融合屬性級注意力和上下文級注意力的協(xié)同注意力機(jī)制,交替的利用注意力機(jī)制對屬性和上下文進(jìn)行建模從而獲取屬性和上下文中重要的相關(guān)特征。在此基礎(chǔ)上,本文設(shè)計(jì)了Coattention-LSTM模型,該模型利用LSTM提取上下文詞語間的非線性組合特征,同時(shí)可以利用協(xié)同注意力機(jī)制從上下文和屬性中提取有效的交互特征進(jìn)行分類。（2）本文基于記憶網(wǎng)絡(luò)提出了Coattenti... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于卷積神經(jīng)網(wǎng)絡(luò)完成文本分類實(shí)驗(yàn)證明，只需要一層卷積加池化的操作，模型在文本分類和情感分類中就

基于分句級卷積神經(jīng)網(wǎng)絡(luò)完成情感分類在斯坦福情感五分類數(shù)據(jù)集SST（StanfordSentimentTreebank）上進(jìn)行實(shí)驗(yàn)，

RNN單元編碼詞xi時(shí)，RNN單元計(jì)算過程如公式2.5所示

【參考文獻(xiàn)】：
期刊論文
[1]注意力增強(qiáng)的雙向LSTM情感分析[J]. 關(guān)鵬飛,李寶安,呂學(xué)強(qiáng),周建設(shè).  中文信息學(xué)報(bào). 2019(02)
[2]基于多通道卷積神經(jīng)網(wǎng)絡(luò)的中文微博情感分析[J]. 陳珂,梁斌,柯文德,許波,曾國超.  計(jì)算機(jī)研究與發(fā)展. 2018(05)
[3]中文微博情感分析研究與實(shí)現(xiàn)[J]. 李勇敢,周學(xué)廣,孫艷,張煥國.  軟件學(xué)報(bào). 2017 (12)
[4]基于多注意力卷積神經(jīng)網(wǎng)絡(luò)的特定目標(biāo)情感分析[J]. 梁斌,劉全,徐進(jìn),周倩,章鵬.  計(jì)算機(jī)研究與發(fā)展. 2017(08)
[5]大規(guī)模情感詞典的構(gòu)建及其在情感分類中的應(yīng)用[J]. 趙妍妍,秦兵,石秋慧,劉挺.  中文信息學(xué)報(bào). 2017(02)
[6]基于極性轉(zhuǎn)移和LSTM遞歸網(wǎng)絡(luò)的情感分析[J]. 梁軍,柴玉梅,原慧斌,高明磊,昝紅英.  中文信息學(xué)報(bào). 2015(05)
[7]基于深度學(xué)習(xí)的微博情感分析[J]. 梁軍,柴玉梅,原慧斌,昝紅英,劉銘.  中文信息學(xué)報(bào). 2014(05)
[8]基于表示學(xué)習(xí)的中文分詞算法探索[J]. 來斯惟,徐立恒,陳玉博,劉康,趙軍.  中文信息學(xué)報(bào). 2013(05)
[9]文本情感分析[J]. 趙妍妍,秦兵,劉挺.  軟件學(xué)報(bào). 2010(08)
[10]基于多重冗余標(biāo)記CRFs的句子情感分析研究[J]. 王根,趙軍.  中文信息學(xué)報(bào). 2007(05)



本文編號：3494289