細(xì)粒度情感分析是近年來學(xué)術(shù)界和工業(yè)界密切關(guān)注的科學(xué)問題,在電商評(píng)論、社交網(wǎng)絡(luò)、輿情分析等多個(gè)領(lǐng)域都有所應(yīng)用。細(xì)粒度情感分析旨在預(yù)測文本語句中某個(gè)特定對(duì)象的情感極性,從互聯(lián)網(wǎng)信息中發(fā)掘用戶的情感傾向和態(tài)度,因此受到廣泛的關(guān)注。現(xiàn)有方法主要基于深度學(xué)習(xí)方法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,往往需要大量的人工標(biāo)注數(shù)據(jù)構(gòu)建監(jiān)督訓(xùn)練集,且面臨預(yù)測準(zhǔn)確度不佳的問題,這嚴(yán)重阻礙了細(xì)粒度情感分析在實(shí)際產(chǎn)品中的應(yīng)用。鑒于以往方法的缺陷和不足,本文針對(duì)細(xì)粒度情感分析核心問題展開研究,提出基于深度記憶網(wǎng)絡(luò)的全新細(xì)粒度情感分析模型。首先,創(chuàng)新性地將傳統(tǒng)特征工程與深度表示學(xué)習(xí)相結(jié)合,提出基于語義特征的復(fù)合記憶網(wǎng)絡(luò)細(xì)粒度情感分析模型。提出三種特征復(fù)合策略,在深度記憶網(wǎng)絡(luò)中整合基于統(tǒng)計(jì)學(xué)習(xí)的詞向量表示與蘊(yùn)含人類經(jīng)驗(yàn)的語義特征表示。改進(jìn)后的復(fù)合記憶網(wǎng)絡(luò)模型在SemEvel2014數(shù)據(jù)集上取得了超越以往方法的分類準(zhǔn)確度。其次,在復(fù)合記憶網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行優(yōu)化,對(duì)語義特征數(shù)據(jù)進(jìn)行離散化處理,大幅減少訓(xùn)練參數(shù)總量。結(jié)合注意力機(jī)制最新進(jìn)展,提出面向領(lǐng)域遷移學(xué)習(xí)的復(fù)合細(xì)粒度情感分析模型。利用語義特征的普適性特點(diǎn),針對(duì)不同領(lǐng)域的商品評(píng)論實(shí)現(xiàn)一次訓(xùn)... 

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的研究重點(diǎn)與工作內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 基礎(chǔ)理論與相關(guān)技術(shù)
    2.1 文本特征提取
    2.2 詞向量表示
    2.3 深度學(xué)習(xí)技術(shù)
    2.4 注意力機(jī)制
    2.5 本章小結(jié)
3 基于復(fù)合語義特征的細(xì)粒度情感分析模型
    3.1 問題定義與背景技術(shù)
        3.1.1 問題描述
        3.1.2 深度記憶網(wǎng)絡(luò)
        3.1.3 復(fù)合記憶網(wǎng)絡(luò)模型概述
    3.2 基于特征的復(fù)合記憶網(wǎng)絡(luò)模型
        3.2.1 輸入表示和文本特征提取
        3.2.2 復(fù)合記憶網(wǎng)絡(luò)模型架構(gòu)
        3.2.3 復(fù)合記憶網(wǎng)絡(luò)的特征復(fù)合策略
    3.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集和模型訓(xùn)練細(xì)節(jié)
        3.3.2 對(duì)比算法與實(shí)驗(yàn)結(jié)果分析
        3.3.3 注意力機(jī)制性能分析
    3.4 本章小結(jié)
4 面向領(lǐng)域遷移學(xué)習(xí)的細(xì)粒度情感分析模型
    4.1 問題定義與方案概述
        4.1.1 問題背景
        4.1.2 任務(wù)定義
        4.1.3 方案概述
    4.2 面向領(lǐng)域遷移的復(fù)合記憶網(wǎng)絡(luò)模型
        4.2.1 語義特征離散化
        4.2.2 基于多頭注意力機(jī)制的復(fù)合記憶網(wǎng)絡(luò)
        4.2.3 面向領(lǐng)域遷移的情感分析模型架構(gòu)
    4.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集和模型訓(xùn)練細(xì)節(jié)
        4.3.2 對(duì)比算法與實(shí)驗(yàn)結(jié)果分析
        4.3.3 跨領(lǐng)域遷移學(xué)習(xí)實(shí)驗(yàn)及結(jié)果分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于遷移學(xué)習(xí)的分層注意力網(wǎng)絡(luò)情感分析算法[J]. 曲昭偉,王源,王曉茹.  計(jì)算機(jī)應(yīng)用. 2018(11)
[2]細(xì)粒度情感分析研究綜述[J]. 唐曉波,劉廣超.  圖書情報(bào)工作. 2017(05)
[3]基于深度表示學(xué)習(xí)和高斯過程遷移學(xué)習(xí)的情感分析方法[J]. 吳冬茵,桂林,陳釗,徐睿峰.  中文信息學(xué)報(bào). 2017(01)
[4]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)
[5]文本情感分析綜述[J]. 楊立公,朱儉,湯世平.  計(jì)算機(jī)應(yīng)用. 2013(06)
[6]基于表情圖片與情感詞的中文微博情感分析[J]. 張珊,于留寶,胡長軍.  計(jì)算機(jī)科學(xué). 2012(S3)
[7]基于機(jī)器學(xué)習(xí)的中文微博情感分類實(shí)證研究[J]. 劉志明,劉魯.  計(jì)算機(jī)工程與應(yīng)用. 2012(01)
[8]基于SVM的文本詞句情感分析[J]. 楊經(jīng),林世平.  計(jì)算機(jī)應(yīng)用與軟件. 2011(09)



本文編號(hào)：3706277