主题发现和情感分类的联合分析研究

发布时间：2021-09-13 18:02

　　随着社交媒体和移动设备的日益普及,越来越多的人在社交平台对热点事件或特定商品发表自己的观点看法,随之而来的是带有情感信息的爆炸式增长。如何从海量的信息中挖掘出关键性主题和文本所表达的情感信息变得尤为重要。现有的基于深度学习的主题发现和情感分类方法可以取得较好的效果,但也存在明显不足。主要表现在主题模型往往从全局文本进行建模,但缺乏对局部情感极性的挖掘;而情感分类模型只利用文档的词语信息,却忽略了潜在的主题信息。针对上述问题,本文对主题发现和情感分类进行联合分析。本文首先研究结合对抗策略的主题情感联合模型。该方法将变分自编码器用于主题发现的建模,将层级注意力网络用于情感分类的建模,进而设计对抗训练的策略,最大化每个词语对应的主题向量与注意力向量的相似度,以达到利用主题向量指导情感注意力信号的计算和利用情感注意力信号指导主题向量的学习的目的,实现两个任务的互相促进。在公开英文评论数据集Yelp2013和IMDB（Internet Movie Database）上的实验显示,结合对抗训练策略的主题情感联合模型,在主题发现任务的主题一致性值提升了1.5%和1.5%,同时情感分类任务的准确率分别... 

【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】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究的背景和意义
    1.2 国内外相关研究概况
        1.2.1 主题模型研究现状
        1.2.2 情感分类研究现状
        1.2.3 多任务学习研究现状
    1.3 本文的主要研究内容
    1.4 本文组织结构
第2章 相关技术概述
    2.1 引言
    2.2 主题模型相关技术
        2.2.1 基于概率潜在语义分析的主题模型
        2.2.2 基于隐狄利克雷分布的主题模型
        2.2.3 基于变分自编码器的主题模型
    2.3 情感分类相关技术
        2.3.1 基于规则的情感分类
        2.3.2 基于机器学习的情感分类技术
        2.3.3 基于深度学习的情感分类技术
    2.4 多任务学习相关技术
    2.5 本章小结
第3章 结合对抗策略的主题情感联合分析
    3.1 引言
    3.2 基于变分自编码器的主题模型
    3.3 基于层级注意力网络的情感分类模型
    3.4 结合对抗策略的主题情感联合模型
    3.5 实验结果及分析
        3.5.1 数据集
        3.5.2 实验设置
        3.5.3 总体性能实验结果与分析
        3.5.4 对比实验结果与分析
    3.6 本章小结
第4章 结合强化学习的主题情感联合分析
    4.1 引言
    4.2 结合强化学习的主题模型
        4.2.1 强化学习中的动作和策略分析
        4.2.2 强化学习中的状态分析
        4.2.3 强化学习中的奖励分析
    4.3 结合强化学习的主题情感联合模型
    4.4 实验结果及分析
        4.4.1 实验设置
        4.4.2 总体性能实验结果与分析
        4.4.3 对比实验结果与分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢


【参考文献】：
期刊论文
[1]文本情绪分析综述[J]. 李然,林政,林海伦,王伟平,孟丹.  计算机研究与发展. 2018(01)
[2]基于主题和大众影响的用户动态行为倾向预测[J]. 尚燕敏,曹亚男,韩毅,李阳,张闯.  计算机学报. 2018(07)
[3]自然语言处理中主题模型的发展[J]. 徐戈,王厚峰.  计算机学报. 2011(08)

博士论文
[1]多任务学习的研究[D]. 李亚.中国科学技术大学 2018
[2]概率主题模型的研究及其在多媒体主题发现和演化中的应用[D]. 周厚奎.浙江大学 2017



本文编号：3395087