基于Stacking框架弱监督深度学习情感分析研究

发布时间：2021-10-12 13:56

　　随着互联网的快速发展,互联网社会化媒体已成为人们获取信息、陈述观点、表达情绪和情感的主要平台。这些情感与观点往往蕴含了大量有价值的信息,对社会政治经济发展等各个方面都有着潜移默化的影响。如何研究并利用这些情感信息有着十分重要的意义。目前主流的情感分析研究方法包括情感词典结合句法规则和利用机器学习或深度学习方法构造情感分析模型等。词典法依赖于情感词典的构建,对新词、不规范词汇和变形词要做到及时吸收,存在词典更新要求高且精度不足等问题。利用机器学习与深度学习的情感分析依赖于模型的构建与特征的选取,在模型训练时需要提供有效的训练库,传统的监督学习算法都需要对数据进行标记,但随着时代的发展,大量的无标记数据的出现使得标记成本越来越高,在处理海量数据时其标记代价几乎不可接受。针对这种问题,本文提出尝试使用弱监督的思路,在少量标记的情况下通过使用预训练好的模型对无标记数据进行预测,然后将预测结果作为训练数据再次输入模型进行训练,不断提高模型的情感分类性能,以此解决标记代价高,训练库数据量不足的问题。鉴于目前主流的机器学习与深度学习情感分析算法都有其主要擅长的领域而同时也均存在自身的短板,如朴素贝叶... 

【文章来源】：西南财经大学四川省 211工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

CBOW模型;

CBOW模型

Skip-gram模型

【参考文献】：
期刊论文
[1]基于LSTM网络的居民区供热负荷短时预测[J]. 许裕栗,姜娜,陈卓,李柠,甘中学.  自动化仪表. 2018(10)
[2]高校图书馆纸质图书PDA模式中用户权重刍议[J]. 李迪.  农业图书情报学刊. 2018(07)
[3]基于弱监督预训练深度模型的微博情感分析[J]. 万圣贤,兰艳艳,郭嘉丰,程学旗.  中文信息学报. 2017(03)
[4]一种基于改进的TF-IDF和支持向量机的中文文本分类研究[J]. 郭太勇.  软件. 2016(12)
[5]分类器集成算法研究[J]. 周星,丁立新,万润泽,葛强.  武汉大学学报(理学版). 2015(06)
[6]改进随机子空间与决策树相结合的不平衡数据分类方法[J]. 胡小生.  佛山科学技术学院学报(自然科学版). 2013(05)
[7]基于SVM的产品评论属性特征的情感倾向分析[J]. 王文华,朱艳辉,徐叶强,杜锐,鲁琳,邓程.  湖南工业大学学报. 2012(05)
[8]基于Stacking算法的组合分类器及其应用于中文组块分析[J]. 李珩,朱靖波,姚天顺.  计算机研究与发展. 2005(05)



本文编号：3432711