结合领域知识的情感原因发现研究

发布时间：2021-12-19 13:29

　　社交媒体已经从官方的消息发布平台发展成为大众交流和情感表达平台。基于自然语言处理技术的社交媒体分析、观点抽取和情感分析等研究显得愈发重要。在发现社交媒体文本中蕴含的情感状态基础上,旨在深入探究情感触发机制的情感原因发现问题具有重大的学术价值和应用前景。现有的情感原因发现方法主要包括基于规则的方法、基于机器学习的方法和基于深度学习的方法。基于规则的方法受限于人工总结的规则质量和覆盖率。基于机器学习的方法依赖于人工筛选的特征,不易建立端到端的学习模型。基于深度学习的方法则存在学习过程不易控制、可解释性差和对高质量标注数据依赖的不足。针对以上问题,本文在现有的深度学习模型基础上引入层次注意力机制以进一步提高文本的表示能力,同时通过知识蒸馏技术引入领域知识,从而改善模型的可控性。现有的情感原因发现方法往往存在忽略子句序列关系特征的不足。为此,本文提出一种结合位置编码和残差结构的层次注意力网络模型。该模型采用层次结构的双向门限循环单元（Bidirectional Gated Recurrent Unit,Bi-GRU）捕获词级和子句级的序列特征,利用注意力机制捕获子句与情感表达之间的潜层语义表示... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

本文研究内容框架

哈尔滨工业大学工学硕士学位论文-12-图2-1深度神经网络模型框架Tang等人采用一种层次结构的神经网络对文档级别的文本建模。他们首先使用一个CNN或LSTM学习句子的向量表示，接着采用另一个LSTM编码句子的语义信息以及句子之间的关系信息，最终获得整个文档的向量表示。这种自下而上的结构更符合文本的组成结构，模型整体框架如图2-2所示：图2-2基于层级结构神经网络的文档级别情感分类模型[21]Wang等人使用LSTM进行Twitter情感分类。借助LSTM中的门结构，模型可以灵活地学习单词之间的交互信息。与传统的RNN相比，LSTM中的门结构使得词向量之间有着更加灵活的乘性运算而非加性运算，可以调节序

哈尔滨工业大学工学硕士学位论文-12-图2-1深度神经网络模型框架Tang等人采用一种层次结构的神经网络对文档级别的文本建模。他们首先使用一个CNN或LSTM学习句子的向量表示，接着采用另一个LSTM编码句子的语义信息以及句子之间的关系信息，最终获得整个文档的向量表示。这种自下而上的结构更符合文本的组成结构，模型整体框架如图2-2所示：图2-2基于层级结构神经网络的文档级别情感分类模型[21]Wang等人使用LSTM进行Twitter情感分类。借助LSTM中的门结构，模型可以灵活地学习单词之间的交互信息。与传统的RNN相比，LSTM中的门结构使得词向量之间有着更加灵活的乘性运算而非加性运算，可以调节序

【参考文献】：
期刊论文
[1]基于多任务深度学习的文本情感原因分析[J]. 余传明,李浩男,安璐.  广西师范大学学报(自然科学版). 2019(01)
[2]基于情感词向量的微博情感分类[J]. 杜慧,徐学可,伍大勇,刘悦,余智华,程学旗.  中文信息学报. 2017(03)
[3]知识表示学习研究进展[J]. 刘知远,孙茂松,林衍凯,谢若冰.  计算机研究与发展. 2016(02)
[4]基于领域知识和聚类的关联规则深层知识发现研究[J]. 张玲玲,周全亮,唐广文,李兴森,石勇.  中国管理科学. 2015(02)
[5]基于序列标注模型的情绪原因识别方法[J]. 李逸薇,李寿山,黄居仁,高伟.  中文信息学报. 2013(05)
[6]文本情感分析[J]. 赵妍妍,秦兵,刘挺.  软件学报. 2010(08)
[7]语义关系的表达和知识系统的建造[J]. 董振东.  语言文字应用. 1998(03)
[8]情感词汇本体的构造[J]. 徐琳宏,林鸿飞,潘宇,任惠,陈建美.  情报学报. 2008 (02)



本文编号：3544500