基于深度表示学习和高斯过程迁移学习的情感分析方法

发布时间：2018-03-13 16:25

  本文选题：情感分析　切入点：深度表示学习　出处：《中文信息学报》2017年01期 　论文类型：期刊论文

【摘要】：情感分析是自然语言处理领域的重要研究问题。现有方法往往难以克服样本偏置与领域依赖问题,严重制约了情感分析的发展和应用。为此,该文提出了一种基于深度表示学习和高斯过程知识迁移学习的情感分析方法。该方法首先利用深度神经网络获得文本样本的分布式表示,而后基于深度高斯过程,从辅助数据中迁移与测试集数据分布相符的高质量样例扩充训练数据集用于分类器训练,以此提高文本情感分类系统性能。在COAE2014文本情感分类数据集上进行的实验结果显示,该文提出的方法可以有效提高文本情感分类性能,同时可以有效缓解训练数据的样本偏置以及领域依赖问题的影响。
[Abstract]:Affective analysis is an important research problem in the field of natural language processing. The existing methods are often difficult to overcome the problem of sample bias and domain dependence, which seriously restrict the development and application of affective analysis. This paper presents an affective analysis method based on depth representation learning and Gao Si process knowledge transfer learning. In order to improve the performance of text affective classification system, the extended training data set of high quality sample that is consistent with the distribution of test set data is transferred from the auxiliary data to improve the performance of text emotion classification system. The experimental results on COAE2014 text emotion classification data set show that, The proposed method can effectively improve the performance of text affective classification and alleviate the influence of sample bias and domain dependence of training data.
【作者单位】： 哈尔滨工业大学深圳研究生院计算机科学与技术学院;腾讯科技(深圳)有限公司;
【基金】：国家自然科学基金(61370165) 国家863计划(2015AA015405) 深圳市孔雀计划技术创新项目(KQCX20140521144507925) 深圳市基础研究项目(JCYJ20150625142543470) 广东省数据科学工程技术研究中心开放课题(2016KF09)
【分类号】：TP391.1

【相似文献】

相关期刊论文 前10条

1 吕胜尚;;关于高斯过程的几个问题[J];西北电讯工程学院学报;1986年02期

2 喻鑫;柳健;田金文;;基于高斯过程的点匹配方法[J];华中科技大学学报(自然科学版);2007年12期

3 董晓慧;柴桂荣;孟宪春;;一种应用稀疏高斯过程回归模型的半监督分类算法[J];电脑知识与技术;2010年28期

4 傅启明;刘全;伏玉琛;周谊成;于俊;;一种高斯过程的带参近似策略迭代算法[J];软件学报;2013年11期

5 李宏伟;刘扬;卢汉清;方亦凯;;结合半监督核的高斯过程分类[J];自动化学报;2009年07期

6 黄丽平;孙永雄;申晨;;用基于中值滤波的高斯过程预测3G网络性能[J];计算机工程与应用;2013年02期

7 夏战国;夏士雄;蔡世玉;万玲;;类不均衡的半监督高斯过程分类算法[J];通信学报;2013年05期

8 何志昆;刘光斌;赵曦晶;王明昊;;高斯过程回归方法综述[J];控制与决策;2013年08期

9 刘辉;白峰杉;;基于混合高斯过程模型的高光谱图像分类算法[J];高校应用数学学报A辑;2010年04期

10 张乐;刘忠;张建强;任雄伟;;基于人工蜂群算法优化的改进高斯过程模型[J];国防科技大学学报;2014年01期

相关会议论文 前5条

1 刘信恩;肖世富;莫军;;用于不确定性分析的高斯过程响应面模型设计点选择方法研究[A];中国计算力学大会'2010（CCCM2010）暨第八届南方计算力学学术会议（SCCM8）论文集[C];2010年

2 刘冬;张清华;;基于高斯过程的精密卫星钟差加密[A];第二届中国卫星导航学术年会电子文集[C];2011年

3 李雅芹;杨慧中;;一种基于仿射传播聚类和高斯过程的多模型建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年

4 赵级汉;张国敬;姜龙;魏巍;;基于叠加高斯过程的数字噪声产生方法FPGA实现[A];第二十四届全国空间探测学术交流会论文摘要集[C];2011年

5 何志昆;刘光斌;姚志成;赵曦晶;;基于高斯过程回归的FOG标度因数温度漂移建模新方法[A];第25届中国控制与决策会议论文集[C];2013年

相关博士学位论文 前6条

1 王建民;矿山边坡变形监测数据的高斯过程智能分析与预测[D];太原理工大学;2016年

2 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

3 潘伟;基于高斯过程的高炉炼铁过程辨识与预测[D];浙江大学;2012年

4 贺建军;基于高斯过程模型的机器学习算法研究及应用[D];大连理工大学;2012年

5 夏战国;基于高斯过程的提升机轴承性能评测方法研究[D];中国矿业大学;2013年

6 赵伟;复杂工程结构可靠度分析的高斯过程动态响应面方法研究[D];广西大学;2014年

相关硕士学位论文 前10条

1 李红丽;回归分析中的贝叶斯推断技术的研究[D];江南大学;2015年

2 李励耘;基于高斯过程的抓取规划方法研究[D];哈尔滨工业大学;2015年

3 王雪茹;基于高斯过程的风电机组部件建模与监测研究[D];华北电力大学;2015年

4 于立鑫;基于高斯过程—差异进化算法的隧道施工多元信息反分析研究[D];大连海事大学;2015年

5 戈财若;基于高斯过程的高光谱图像分类算法研究[D];东华理工大学;2015年

6 叶婧;基于高斯过程回归的锂电池数据处理[D];北京交通大学;2016年

7 张栋;基于在线学习高斯过程有杆泵油井动态液面建模方法研究[D];东北大学;2014年

8 王奉伟;改进的局部均值分解和高斯过程在变形监测数据处理中的应用研究[D];东华理工大学;2016年

9 曹瑜;基于高斯过程的非线性不确定延迟系统的模型预测控制[D];华中科技大学;2014年

10 张莉萍;基于广义高斯过程回归的函数型数据分析[D];东南大学;2016年

，

本文编号：1607186