發(fā)布時間：2021-12-24 04:18

　　有效地分析文本隱含的情感信息是自然語言處理領(lǐng)域研究重點之一,其中實體級情感分析旨在推理文本中實體所傳達的情感傾向,更詳細地考慮了對產(chǎn)品、服務(wù)等實體層面的意見,具有重要的研究價值。為此,針對現(xiàn)有實體級情感分析模型的不足,本文從特定實體和非特定實體兩種情況對實體級情感分析進行深入研究,具體如下:（1）針特定實體情況,考慮到循環(huán)神經(jīng)網(wǎng)絡(luò)效率低下以及卷積神經(jīng)網(wǎng)絡(luò)（CNN）語義提取范圍受限等問題,研究了一種基于稀疏注意力的可分離空洞CNN。首先利用由語義詞向量和情感詞向量構(gòu)成的多通道詞嵌入表征編碼文本和特定實體;其次通過構(gòu)建可分離空洞卷積模塊,采用不同擴張率的可分離空洞CNN擴大語義交互范圍,從而在獲取多尺度語義依賴關(guān)系的同時減少模型參數(shù);然后根據(jù)特定實體位置信息和獲取的文本語義特征,設(shè)計了用于提取特定實體情感信息的稀疏注意力機制。在多個真實數(shù)據(jù)集上的對比實驗表明,該模型能以17.9 K的模型參數(shù)分別在Laptop和Restaurant數(shù)據(jù)集上獲得73.57%和81.36%的分類精度,同時也證明了模型的有效性。（2）針對非特定實體情況,考慮到現(xiàn)有方法將實體級情感分析建模為實體提取和情感極性判別兩... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

展示了不同學習率對模型性能的影響，包含0.01、0.05的固定學習率(lr)，和基礎(chǔ)學習率為0.1、

損失函數(shù)對模型性能的影響

(b) 測試損失圖 3.4 稀疏注意力對模型性能的影響⑤學習率分析。為了驗證訓練模型時采用學習率的合理性，圖 3.6 展示了不同學習率對模型性能的影響，包含 0.01、0.05 的固定學習率(lr)，和基礎(chǔ)學習率為 0.1、0.05 的衰減學習率(decaylr)。由圖可知，學習率越小，模型收斂速度越慢，而將學習速率衰減策略與適當?shù)膶W習速率相結(jié)合，不但可以使模型在有限時間內(nèi)收斂，而且還能獲得較高的分類精度。因為訓練初期較大的學習率會迫使模型快速逼近最

【參考文獻】：
期刊論文
[1]基于多注意力卷積神經(jīng)網(wǎng)絡(luò)的特定目標情感分析[J]. 梁斌,劉全,徐進,周倩,章鵬.  計算機研究與發(fā)展. 2017(08)

碩士論文
[1]基于深度學習的情感詞向量及文本情感分析的研究[D]. 張志華.華東師范大學 2016



本文編號：3549805