當(dāng)下電子商務(wù)高速發(fā)展,對(duì)線上評(píng)論數(shù)據(jù)進(jìn)行細(xì)粒度的情感分析成為近期的熱點(diǎn)技術(shù)。目前,細(xì)粒度的情感傾向性分析通常采用多標(biāo)簽分類技術(shù)作為解決方案,但是此方案無法獲取實(shí)例中的情感實(shí)體與情感屬性,從而對(duì)情感傾向性分析任務(wù)的性能產(chǎn)生影響。所以,受情感知識(shí)圖譜構(gòu)建方法的啟發(fā),本文嘗試將實(shí)體關(guān)系抽取任務(wù)應(yīng)用于情感傾向性分析場景中,以提高情感傾向性分析任務(wù)的識(shí)別效果。但是,在實(shí)體關(guān)系抽取任務(wù)中,串聯(lián)式實(shí)體關(guān)系抽取具有一定的錯(cuò)誤傳播性,且忽略了實(shí)體識(shí)別與關(guān)系抽取任務(wù)之間的聯(lián)系;此外,在真實(shí)數(shù)據(jù)中客觀存在的關(guān)系重疊問題上也缺乏有效解決對(duì)策。綜上所述,為了解決上述實(shí)體關(guān)系抽取存在的問題,本文提出了一種實(shí)體關(guān)系聯(lián)合抽取的方法,該方法融合了條件隨機(jī)場與卷積神經(jīng)網(wǎng)絡(luò),同時(shí),引入自注意力機(jī)制及詞語位置信息,實(shí)現(xiàn)了實(shí)體關(guān)系的準(zhǔn)確抽取。本文主要研究的內(nèi)容及成果如下:（1）針對(duì)在中文實(shí)體關(guān)系抽取上采用多任務(wù)串聯(lián)式抽取方式時(shí)出現(xiàn)的錯(cuò)誤傳播問題、多任務(wù)間缺乏聯(lián)系的問題以及關(guān)系重疊問題,本文提出了融合條件隨機(jī)場與卷積神經(jīng)網(wǎng)絡(luò)的實(shí)體關(guān)系聯(lián)合抽取算法。本算法采用條件隨機(jī)場模型來識(shí)別文本中的實(shí)體,抽取主體位置信息,結(jié)合雙向長短時(shí)記憶網(wǎng)... 

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 情感分析任務(wù)國內(nèi)外研究現(xiàn)狀
        1.2.2 實(shí)體關(guān)系抽取任務(wù)國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 理論基礎(chǔ)與相關(guān)技術(shù)
    2.1 相關(guān)概念介紹
        2.1.1 實(shí)體、關(guān)系與實(shí)體關(guān)系抽取的概念
        2.1.2 關(guān)系重疊的概念
    2.2 深度學(xué)習(xí)相關(guān)技術(shù)理論
        2.2.1 Self-Attention注意力機(jī)制模型
        2.2.2 CNN卷積神網(wǎng)絡(luò)模型
        2.2.3 LSTM長短時(shí)記憶網(wǎng)絡(luò)
        2.2.4 GRU門控循環(huán)單元模型
        2.2.5 語言模型
        2.2.6 CRF條件隨機(jī)場模型
    2.3 本章小結(jié)
第三章 融合CRF與CNN的實(shí)體關(guān)系聯(lián)合抽取
    3.1 現(xiàn)存問題分析
    3.2 融合CRF與CNN的實(shí)體關(guān)系聯(lián)合抽取算法
        3.2.1 Roberta語言表示模塊
        3.2.2 CRF條件隨機(jī)場模塊
        3.2.3 客體關(guān)系聯(lián)合抽取模塊
        3.2.4 損失函數(shù)
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 數(shù)據(jù)準(zhǔn)備
        3.3.2 評(píng)價(jià)指標(biāo)
        3.3.3 訓(xùn)練過程
        3.3.4 實(shí)驗(yàn)及結(jié)果分析
    3.4 本章小結(jié)
第四章 基于融合CRF與CNN的實(shí)體關(guān)系聯(lián)合抽取算法的情感傾向性分析應(yīng)用驗(yàn)證
    4.1 基于實(shí)體關(guān)系聯(lián)合抽取的情感傾向性分析算法
        4.1.1 Bert語言表示層
        4.1.2 融合CRF與CNN的實(shí)體關(guān)系聯(lián)合抽取模塊
        4.1.3 注意力分配層
        4.1.4 Bi-GRU多標(biāo)簽情感分類層
    4.2 實(shí)驗(yàn)與分析
        4.2.1 數(shù)據(jù)準(zhǔn)備
        4.2.2 實(shí)驗(yàn)指標(biāo)
        4.2.3 實(shí)驗(yàn)配置
        4.2.4 對(duì)比實(shí)驗(yàn)及結(jié)果分析
    4.3 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來展望
參考文獻(xiàn)
在校期間研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于商品評(píng)論語義分析的情感知識(shí)圖譜構(gòu)建與查詢應(yīng)用[J]. 由麗萍,郎宇翔.  情報(bào)理論與實(shí)踐. 2018(08)
[2]中文基礎(chǔ)情感詞詞典構(gòu)建方法研究[J]. 柳位平,朱艷輝,栗春亮,向華政,文志強(qiáng).  計(jì)算機(jī)應(yīng)用. 2009(10)



本文編號(hào)：3690295