基于深度学习的交互文本立场分析研究

发布时间：2022-07-15 15:50

　　移动互联网和社交媒体的迅速发展,使得越来越多的民众可以随时随地参与到热点事件的讨论中表达自己的观点、立场。围绕特定的事件或者话题目标,用户间的交互文本是各自表达情感、立场的主要载体。挖掘交互文本中的用户立场具有重大科学研究价值和应用前景。现有文本立场分析的方法主要包括基于机器学习的方法和基于深度学习的方法。基于机器学习的文本立场分析相关技术依赖于特征构建和筛选,但停留在浅层语义特征表示阶段;基于深度学习的文本立场分析相关技术可以为交互的两个文本分别提取深层语义特征,但忽略了文本交互过程的建模,同时局限于交互文本的语境,无法嵌入背景知识用于立场的判别。针对上述问题,本文通过结合注意力机制和背景知识,研究基于深度学习的交互文本立场分析方法。本文研究将双向长短时记忆模型用于交互文本Quote-Response（Q-R对）的底层序列建模,在交互文本联合建模的过程中结合自我注意力机制和交叉注意力机制,使获得的文本表示能够在突出Q/R各自关注重点的同时兼顾二者之间的交互语境信息,从而更好地支持交互文本中的立场分析。在三个公开英文在线辩论数据集Internet Argument Corpus（IAC... 

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题来源
    1.2 课题研究的背景和意义
    1.3 国内外相关研究概况
        1.3.1 文本情感分析研究现状
        1.3.2 文本立场分析研究现状
    1.4 本文研究内容
    1.5 本文组织结构
第2章 文本立场分析相关技术概述
    2.1 引言
    2.2 文本情感分析相关技术
        2.2.1 基于情感词典的文本情感分析
        2.2.2 基于机器学习的文本情感分析
        2.2.3 基于深度学习的文本情感分析
    2.3 文本立场分析相关技术
        2.3.1 基于机器学习的文本立场分析
        2.3.2 基于深度学习的文本立场分析
    2.4 本章小结
第3章 结合注意力机制的交互文本立场分析
    3.1 引言
    3.2 交互文本立场分析语料库及其特点分析
        3.2.1 交互文本立场分析语料库
        3.2.2 交互文本立场分析文本特点分析
    3.3 基于双向长短时记忆模型的交互文本立场分析
        3.3.1 交互文本特征提取
        3.3.2 交互文本联合建模
    3.4 结合注意力机制的双向长短时记忆模型
        3.4.1 交互文本中的自我注意力
        3.4.2 交互文本中的交叉注意力
        3.4.3 交互文本中的混合注意力
        3.4.4 交互文本立场推断
    3.5 实验
        3.5.1 实验设置
        3.5.2 实验结果分析
    3.6 本章小结
第4章 结合背景知识的交互文本立场分析
    4.1 引言
    4.2 面向维基百科的背景知识检索
        4.2.1 文本查询构建
        4.2.2 背景知识检索
    4.3 基于深层记忆网络的背景知识嵌入模型
        4.3.1 背景知识记忆编码
        4.3.2 背景知识多层嵌入
        4.3.3 交互文本立场推断
    4.4实验
        4.4.1 实验设置
        4.4.2 实验结果分析
    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]结合卷积神经网络和词语情感序列特征的中文情感分析[J]. 陈钊,徐睿峰,桂林,陆勤.  中文信息学报. 2015(06)
[2]基于卷积神经网络的微博情感倾向性分析[J]. 刘龙飞,杨亮,张绍武,林鸿飞.  中文信息学报. 2015(06)
[3]基于深度学习的微博情感分析[J]. 梁军,柴玉梅,原慧斌,昝红英,刘铭.  中文信息学报. 2014(05)
[4]基于词典与机器学习的中文微博情感分析研究[J]. 孙建旺,吕学强,张雷瀚.  计算机应用与软件. 2014(07)
[5]基于层次结构的多策略中文微博情感分析和特征抽取[J]. 谢丽星,周明,孙茂松.  中文信息学报. 2012(01)



本文编号：3662356