基于深度记忆网络的细粒度情感分析研究

发布时间：2022-11-12 11:23

　　细粒度情感分析是近年来学术界和工业界密切关注的科学问题,在电商评论、社交网络、舆情分析等多个领域都有所应用。细粒度情感分析旨在预测文本语句中某个特定对象的情感极性,从互联网信息中发掘用户的情感倾向和态度,因此受到广泛的关注。现有方法主要基于深度学习方法构建神经网络模型,往往需要大量的人工标注数据构建监督训练集,且面临预测准确度不佳的问题,这严重阻碍了细粒度情感分析在实际产品中的应用。鉴于以往方法的缺陷和不足,本文针对细粒度情感分析核心问题展开研究,提出基于深度记忆网络的全新细粒度情感分析模型。首先,创新性地将传统特征工程与深度表示学习相结合,提出基于语义特征的复合记忆网络细粒度情感分析模型。提出三种特征复合策略,在深度记忆网络中整合基于统计学习的词向量表示与蕴含人类经验的语义特征表示。改进后的复合记忆网络模型在SemEvel2014数据集上取得了超越以往方法的分类准确度。其次,在复合记忆网络的基础上进行优化,对语义特征数据进行离散化处理,大幅减少训练参数总量。结合注意力机制最新进展,提出面向领域迁移学习的复合细粒度情感分析模型。利用语义特征的普适性特点,针对不同领域的商品评论实现一次训... 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 本文的研究重点与工作内容
    1.4 论文的组织结构
2 基础理论与相关技术
    2.1 文本特征提取
    2.2 词向量表示
    2.3 深度学习技术
    2.4 注意力机制
    2.5 本章小结
3 基于复合语义特征的细粒度情感分析模型
    3.1 问题定义与背景技术
        3.1.1 问题描述
        3.1.2 深度记忆网络
        3.1.3 复合记忆网络模型概述
    3.2 基于特征的复合记忆网络模型
        3.2.1 输入表示和文本特征提取
        3.2.2 复合记忆网络模型架构
        3.2.3 复合记忆网络的特征复合策略
    3.3 实验设计与结果分析
        3.3.1 实验数据集和模型训练细节
        3.3.2 对比算法与实验结果分析
        3.3.3 注意力机制性能分析
    3.4 本章小结
4 面向领域迁移学习的细粒度情感分析模型
    4.1 问题定义与方案概述
        4.1.1 问题背景
        4.1.2 任务定义
        4.1.3 方案概述
    4.2 面向领域迁移的复合记忆网络模型
        4.2.1 语义特征离散化
        4.2.2 基于多头注意力机制的复合记忆网络
        4.2.3 面向领域迁移的情感分析模型架构
    4.3 实验设计与结果分析
        4.3.1 实验数据集和模型训练细节
        4.3.2 对比算法与实验结果分析
        4.3.3 跨领域迁移学习实验及结果分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]基于迁移学习的分层注意力网络情感分析算法[J]. 曲昭伟,王源,王晓茹.  计算机应用. 2018(11)
[2]细粒度情感分析研究综述[J]. 唐晓波,刘广超.  图书情报工作. 2017(05)
[3]基于深度表示学习和高斯过程迁移学习的情感分析方法[J]. 吴冬茵,桂林,陈钊,徐睿峰.  中文信息学报. 2017(01)
[4]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)
[5]文本情感分析综述[J]. 杨立公,朱俭,汤世平.  计算机应用. 2013(06)
[6]基于表情图片与情感词的中文微博情感分析[J]. 张珊,于留宝,胡长军.  计算机科学. 2012(S3)
[7]基于机器学习的中文微博情感分类实证研究[J]. 刘志明,刘鲁.  计算机工程与应用. 2012(01)
[8]基于SVM的文本词句情感分析[J]. 杨经,林世平.  计算机应用与软件. 2011(09)



本文编号：3706277