多特征融合的解释性意见要素识别方法研究与实现

发布时间：2021-11-03 12:38

　　越来越多的人在互联网平台发布一些产品的评论信息,我们称为用户生成内容（User-Generated Content,UGC）。如何高效地帮助人们识别有用的信息是目前学术界和工业界越来越关注的研究之一。汉语解释性意见要素识别就是研究如何精确的识别出用户生成内容中要素成分的问题。汉语解释性意见要素识别任务是指利用自然语言处理技术准确的识别评论语句中的意见属性、意见评论、意见解释信息。本文根据中文产品领域评论的语言特点,在构建汉语解释性意见要素识别的语料库基础上,研究汉语解释性意见要素识别问题。本文将从以下三个方面进行研究:（1）基于LSTM的解释性意见要素识别:基于LSTM的方法可以识别出属性、评论和意见解释片段,但是没有利用标签的相互作用,而CRF框架可以加强当前标签对相邻下一个标签的识别效果。为了提高意见要素识别预测的准确率,本文运用LSTM和CRF框架的结合。实验表明,可以有效识别要素成分。（2）基于预训练模型的解释性意见要素识别:CRF只利用预测标签之间的信息,而在中文的评论语句,字的上下文信息、字在句中的语义信息都可以作为特征。预训练在很多研究中已经得到验证,可以获取意见要素成分... 

【文章来源】：黑龙江大学黑龙江省

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

整体框架

图 2-1 解释性意见要素序列标注图Figure 2-1 Explanatory opinion element sequence labeling diagram基于序列标注问题对要素识别的研究内容做出以下假设：（1） 语料库所有的句子都是在线意见评论句，必须至少包含一种要素成分

图 2-2 解释性意见要素识别流程图Figure 2-2 Flow chart of the identification of explanatory elements于 LSTM 的解释性意见要素方法

【参考文献】：
期刊论文
[1]基于CRF和Bi-LSTM的保险名称实体识别[J]. 陈彦妤,杜明.  智能计算机与应用. 2018(03)
[2]基于多任务卷积神经网络的车辆多属性识别[J]. 王耀玮,唐伦,刘云龙,陈前斌.  计算机工程与应用. 2018(08)
[3]特定领域的命名实体识别方法的研究[J]. 张磊.  计算机与现代化. 2018(03)
[4]深层网络中的梯度消失现象[J]. 周祥全,张津.  科技展望. 2017(27)
[5]基于Bi-LSTM的医疗事件识别研究[J]. 侯伟涛,姬东鸿.  计算机应用研究. 2018(07)
[6]基于门循环单元神经网络的中文分词法[J]. 李雪莲,段鸿,许牧.  厦门大学学报(自然科学版). 2017(02)
[7]基于LSTM网络的序列标注中文分词法[J]. 任智慧,徐浩煜,封松林,周晗,施俊.  计算机应用研究. 2017(05)
[8]基于词向量特征的循环神经网络语言模型[J]. 张剑,屈丹,李真.  模式识别与人工智能. 2015(04)
[9]引入反向传播机制的概率神经网络模型[J]. 李永立,吴冲,罗鹏.  系统工程理论与实践. 2014(11)
[10]通用领域中文评论的意见挖掘研究[J]. 张莉,苏新宁,王东波.  情报理论与实践. 2012(04)

硕士论文
[1]基于LSTM的解释性意见要素识别方法研究与实现[D]. 王梦琦.黑龙江大学 2017
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017



本文编号：3473700