基于实体关系联合抽取方法的情感倾向性分析研究

发布时间：2022-10-10 20:23

　　当下电子商务高速发展,对线上评论数据进行细粒度的情感分析成为近期的热点技术。目前,细粒度的情感倾向性分析通常采用多标签分类技术作为解决方案,但是此方案无法获取实例中的情感实体与情感属性,从而对情感倾向性分析任务的性能产生影响。所以,受情感知识图谱构建方法的启发,本文尝试将实体关系抽取任务应用于情感倾向性分析场景中,以提高情感倾向性分析任务的识别效果。但是,在实体关系抽取任务中,串联式实体关系抽取具有一定的错误传播性,且忽略了实体识别与关系抽取任务之间的联系;此外,在真实数据中客观存在的关系重叠问题上也缺乏有效解决对策。综上所述,为了解决上述实体关系抽取存在的问题,本文提出了一种实体关系联合抽取的方法,该方法融合了条件随机场与卷积神经网络,同时,引入自注意力机制及词语位置信息,实现了实体关系的准确抽取。本文主要研究的内容及成果如下:（1）针对在中文实体关系抽取上采用多任务串联式抽取方式时出现的错误传播问题、多任务间缺乏联系的问题以及关系重叠问题,本文提出了融合条件随机场与卷积神经网络的实体关系联合抽取算法。本算法采用条件随机场模型来识别文本中的实体,抽取主体位置信息,结合双向长短时记忆网... 

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 情感分析任务国内外研究现状
        1.2.2 实体关系抽取任务国内外研究现状
    1.3 研究内容
    1.4 论文组织结构
    1.5 本章小结
第二章 理论基础与相关技术
    2.1 相关概念介绍
        2.1.1 实体、关系与实体关系抽取的概念
        2.1.2 关系重叠的概念
    2.2 深度学习相关技术理论
        2.2.1 Self-Attention注意力机制模型
        2.2.2 CNN卷积神网络模型
        2.2.3 LSTM长短时记忆网络
        2.2.4 GRU门控循环单元模型
        2.2.5 语言模型
        2.2.6 CRF条件随机场模型
    2.3 本章小结
第三章 融合CRF与CNN的实体关系联合抽取
    3.1 现存问题分析
    3.2 融合CRF与CNN的实体关系联合抽取算法
        3.2.1 Roberta语言表示模块
        3.2.2 CRF条件随机场模块
        3.2.3 客体关系联合抽取模块
        3.2.4 损失函数
    3.3 实验结果及分析
        3.3.1 数据准备
        3.3.2 评价指标
        3.3.3 训练过程
        3.3.4 实验及结果分析
    3.4 本章小结
第四章 基于融合CRF与CNN的实体关系联合抽取算法的情感倾向性分析应用验证
    4.1 基于实体关系联合抽取的情感倾向性分析算法
        4.1.1 Bert语言表示层
        4.1.2 融合CRF与CNN的实体关系联合抽取模块
        4.1.3 注意力分配层
        4.1.4 Bi-GRU多标签情感分类层
    4.2 实验与分析
        4.2.1 数据准备
        4.2.2 实验指标
        4.2.3 实验配置
        4.2.4 对比实验及结果分析
    4.3 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
在校期间研究成果
致谢


【参考文献】：
期刊论文
[1]基于商品评论语义分析的情感知识图谱构建与查询应用[J]. 由丽萍,郎宇翔.  情报理论与实践. 2018(08)
[2]中文基础情感词词典构建方法研究[J]. 柳位平,朱艳辉,栗春亮,向华政,文志强.  计算机应用. 2009(10)



本文编号：3690295