基于对抗训练的文本情感分析研究

发布时间：2021-04-15 04:59

　　随着社交软件和电商平台等应用的蓬勃发展,存在于这些应用的海量文本数据蕴含着大众对某些热点事件的情感态度,对文本数据进行情感分析,挖掘其包含的情感态度在舆情监控和策略制定等方面具有深远意义。传统的文本情感分析方法为挖掘情感态度提供了技术支持,但系统的鲁棒性较低,在文本被恶意添加扰动或被破坏时,对情感分析系统会造成一定的干扰,从而导致结果的误判。为了提高文本情感分析系统的稳定性和准确性,本文重点研究在强鲁棒性前提下的文本情感分类问题,具体的研究内容如下:（1）针对文本情感分析系统鲁棒性不高的问题,本文提出融合对抗训练和对抗Dropout方法的文本情感分析模型。采用对抗训练在输入层对文本添加对抗扰动来训练对抗样本,同时在网络的隐藏层进行对抗性Dropout,以动态遮蔽适当数量的神经元,从而提高模型鲁棒性和情感分类效果。（2）为了在强鲁棒性的条件下进一步提高情感分类的性能,本文提出结合注意力机制与对抗训练的文本情感分析模型。注意力包含基于情感词的全局注意力机制和基于自适应尺度的局部注意力机制,前者既关注到情感词又保留了文本信息的完整性,后者既可以自适应地选择合适的尺度又捕捉到重要的局部信息。将... 

【文章来源】：华侨大学福建省

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

BERT模型

RNN随时间展开的层级示意图

对抗训练结构图

【参考文献】：
期刊论文
[1]深度学习中的对抗样本问题[J]. 张思思,左信,刘建伟.  计算机学报. 2019(08)
[2]人工智能对抗攻击研究综述[J]. 易平,王科迪,黄程,顾双驰,邹福泰,李建华.  上海交通大学学报. 2018(10)
[3]基于词典的中文微博情绪识别[J]. 牛耘,潘明慧,魏欧,蔡昕烨.  计算机科学. 2014(09)



本文编号：3138716