基于深度学习的中文反讽识别及其情感判别研究
发布时间：2021-02-03 12:05
目前,情感分析是自然语言处理中最活跃的研究领域之一。反讽是一种隐式情感表达的修辞手段,通过使用与实际意图相反的词来达到讽刺或者幽默的语言表达效果。反讽的真实语义无法通过文本词汇直接推断出来,它的字面意思和真实意图存在着矛盾冲突,因此,反讽识别及其情感判别更具挑战性。以往的文本情感分析往往忽略了这一语言现象,影响了情感分析的准确率。为了提升文本情感分析的准确率,本文对中文反讽识别及其情感判别开展研究。通过分析中文特有的语言现象和微博的特点,归纳了中文微博反讽的语言特征,提出了融合语言特征的卷积神经网络模型和融合上文信息的注意力机制的LSTM模型来进行反讽识别及其情感判别。主要研究工作如下:（1）中文微博反讽的语言特征选择。由于反讽与语言习惯有关,不同语言的语法结构和语义表达存在差异,和英文反讽相比,中文反讽的语法结构和语义表达更加复杂,使得中文反讽识别及其情感判别在词语层面上比英文反讽识别及其情感判别更具有难度,英文的反讽特征并不能够直接用于中文的反讽识别及其情感判别中。本文在借鉴中英文反讽识别相关工作的基础上,考虑中文微博自身的特点,归纳了中文微博反讽的几种语言特征,并通过卡方统计量选...
【文章来源】：山西大学山西省
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 文本情感分析研究
1.2.2 反讽识别及其情感判别研究
1.3 本文主要研究内容
1.4 论文框架
第二章 中文微博反讽的语言特征分析
2.1 微博的语言特点
2.2 反讽微博的语言特征
2.3 卡方统计量
2.4 语言特征选取
2.5 实验数据集建立
2.6 本章小结
第三章 融合语言特征的卷积神经网络模型
3.1 Word Embedding词向量
3.2 融合语言特征的卷积神经网络模型
3.3 反讽识别实验结果与分析
3.3.1 模型参数
3.3.2 实验结果及分析
3.3.3 实验结果错误分析
3.4 反讽情感判别实验结果与分析
3.5 本章小结
第四章 融合上文信息的注意力机制的LSTM模型
4.1 反讽中的上文信息
4.2 LSTM模型
4.3 融合上文信息的注意力机制的LSTM模型
4.4 反讽识别实验结果与分析
4.4.1 模型参数
4.4.2 实验结果及分析
4.5 反讽情感判别实验结果与分析
4.6 本章小结
第五章 结论与展望
5.1 结论
5.2 展望
参考文献
攻读硕士期间取得的研究成果和参与的科研项目
致谢
个人简况及联系方式
【参考文献】：
期刊论文
[1]基于多特征融合的混合神经网络模型讽刺语用判别[J]. 孙晓,何家劲,任福继. 中文信息学报. 2016(06)
[2]CNN深度学习模型用于表情特征提取方法探究[J]. 张昭旭. 现代计算机(专业版). 2016(03)
[3]面向微博的中文反语识别研究[J]. 邓钊,贾修一,陈家骏. 计算机工程与科学. 2015(12)
[4]基于极性转移和LSTM递归网络的情感分析[J]. 梁军,柴玉梅,原慧斌,高明磊,昝红英. 中文信息学报. 2015(05)
[5]面向网络文本的汉语反讽修辞识别方法研究[J]. 邢竹天,徐扬. 山西大学学报(自然科学版). 2015(03)
[6]文本情感分析[J]. 赵妍妍,秦兵,刘挺. 软件学报. 2010(08)
[7]中文基础情感词词典构建方法研究[J]. 柳位平,朱艳辉,栗春亮,向华政,文志强. 计算机应用. 2009(10)
[8]网络语言特点浅析[J]. 赵华伦. 语言文字应用. 2006(S2)
[9]反语理论综述[J]. 刘正光. 解放军外国语学院学报. 2002(04)
[10]反讽的语用特征和限制条件[J]. 涂靖. 外语学刊. 2002(01)
硕士论文
[1]社交网络评论中的反语识别研究[D]. 罗婷.云南财经大学 2017
[2]语域理论视角下的新浪微博语言特征研究[D]. 张洋.黑龙江大学 2016
[3]中英文反讽识别的对比分析[D]. 姚健.天津大学 2015
[4]基于微博的热点事件挖掘与情感分析[D]. 王政霄.上海交通大学 2013
[5]微博语言特征研究[D]. 张可.陕西师范大学 2012
[6]基于情感词典的中文微博情感倾向分析研究[D]. 陈晓东.华中科技大学 2012
[7]突发事件中的微博传播与舆论引导[D]. 孟令俊.华中师范大学 2011
[8]汉语网络会话中的反语研究[D]. 邵娜.东北师范大学 2007
本文编号：3016471
【文章来源】：山西大学山西省
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 文本情感分析研究
1.2.2 反讽识别及其情感判别研究
1.3 本文主要研究内容
1.4 论文框架
第二章 中文微博反讽的语言特征分析
2.1 微博的语言特点
2.2 反讽微博的语言特征
2.3 卡方统计量
2.4 语言特征选取
2.5 实验数据集建立
2.6 本章小结
第三章 融合语言特征的卷积神经网络模型
3.1 Word Embedding词向量
3.2 融合语言特征的卷积神经网络模型
3.3 反讽识别实验结果与分析
3.3.1 模型参数
3.3.2 实验结果及分析
3.3.3 实验结果错误分析
3.4 反讽情感判别实验结果与分析
3.5 本章小结
第四章 融合上文信息的注意力机制的LSTM模型
4.1 反讽中的上文信息
4.2 LSTM模型
4.3 融合上文信息的注意力机制的LSTM模型
4.4 反讽识别实验结果与分析
4.4.1 模型参数
4.4.2 实验结果及分析
4.5 反讽情感判别实验结果与分析
4.6 本章小结
第五章 结论与展望
5.1 结论
5.2 展望
参考文献
攻读硕士期间取得的研究成果和参与的科研项目
致谢
个人简况及联系方式
【参考文献】：
期刊论文
[1]基于多特征融合的混合神经网络模型讽刺语用判别[J]. 孙晓,何家劲,任福继. 中文信息学报. 2016(06)
[2]CNN深度学习模型用于表情特征提取方法探究[J]. 张昭旭. 现代计算机(专业版). 2016(03)
[3]面向微博的中文反语识别研究[J]. 邓钊,贾修一,陈家骏. 计算机工程与科学. 2015(12)
[4]基于极性转移和LSTM递归网络的情感分析[J]. 梁军,柴玉梅,原慧斌,高明磊,昝红英. 中文信息学报. 2015(05)
[5]面向网络文本的汉语反讽修辞识别方法研究[J]. 邢竹天,徐扬. 山西大学学报(自然科学版). 2015(03)
[6]文本情感分析[J]. 赵妍妍,秦兵,刘挺. 软件学报. 2010(08)
[7]中文基础情感词词典构建方法研究[J]. 柳位平,朱艳辉,栗春亮,向华政,文志强. 计算机应用. 2009(10)
[8]网络语言特点浅析[J]. 赵华伦. 语言文字应用. 2006(S2)
[9]反语理论综述[J]. 刘正光. 解放军外国语学院学报. 2002(04)
[10]反讽的语用特征和限制条件[J]. 涂靖. 外语学刊. 2002(01)
硕士论文
[1]社交网络评论中的反语识别研究[D]. 罗婷.云南财经大学 2017
[2]语域理论视角下的新浪微博语言特征研究[D]. 张洋.黑龙江大学 2016
[3]中英文反讽识别的对比分析[D]. 姚健.天津大学 2015
[4]基于微博的热点事件挖掘与情感分析[D]. 王政霄.上海交通大学 2013
[5]微博语言特征研究[D]. 张可.陕西师范大学 2012
[6]基于情感词典的中文微博情感倾向分析研究[D]. 陈晓东.华中科技大学 2012
[7]突发事件中的微博传播与舆论引导[D]. 孟令俊.华中师范大学 2011
[8]汉语网络会话中的反语研究[D]. 邵娜.东北师范大学 2007
本文编号：3016471
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3016471.html
