基于深度学习的方面级情感分析算法研究

发布时间：2023-12-11 18:30

　　随着互联网和智能终端的普及,网络文本信息量增长迅速。传统的文档级、句子级情感分析已经无法满足当前文本研究对细粒度情感倾向的需求。方面级情感分析可以对实体进行多方面、全方位的情感描述,但由于文本语言环境的复杂性,现有方法在泛化等性能上仍然存在不足,本文从方面目标情感分析和方面类别情感分析子任务入手,以深度学习为基础展开研究,主要工作和贡献如下:(1)针对于现有方面目标情感分析模型存在的参数量过大、局部语义特征缺失以及标准训练样本较少而导致泛化能力不足的问题,本文基于轻量化的ALBERT模型设计了一种新型的卷积ALBERT结构,在大幅度降低参数量的同时,通过在Transformer结构中加入多层逐点卷积模块,以提升其对于局部信息的捕获能力。然后在训练过程中引入对抗训练的方式,对词嵌入层添加损失梯度的扰动,生成对抗样例攻击网络模型,进而提升模型的泛化能力。(2)针对现有方面类别情感分析模型存在无法利用句法依存类型信息和方面类别检测能力不足的问题,本文提出了一种基于层级类型感知图卷积的方面类别情感分析模型。首先根据句法依存信息生成了类型依存图,随后进一步构建了一种层级类型感知图卷积结构。该结构...

【文章页数】：66 页

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 传统研究方法
        1.2.2 深度学习研究方法
    1.3 本文研究内容
        1.3.1 研究问题
        1.3.2 研究内容
    1.4 本文组织结构
2 相关理论基础
    2.1 深度学习理论基础
        2.1.1 卷积神经网络
        2.1.2 循环神经网络
    2.2 词向量表征模型
        2.2.1 CBOW
        2.2.2 Skip-Gram
        2.2.3 GloVe
        2.2.4 ELMo
        2.2.5 BERT
    2.3 注意力机制
        2.3.1 全局注意力机制
        2.3.2 局部注意力机制
        2.3.3 自注意力机制
    2.4 评价标准
    2.5 本章小节
3 基于对抗训练和卷积ALBERT的方面目标情感分析
    3.1 问题分析
    3.2 对抗训练的卷积ALBERT
        3.2.1 词嵌入层
        3.2.2 多层卷积的ALBERT编码器
        3.2.3 分类层
        3.2.4 对抗训练
        3.2.5 损失函数
    3.3 实验结果分析
        3.3.1 数据集
        3.3.2 实验设置
        3.3.3 实验对比
        3.3.4 不同扰动因子μ的影响
        3.3.5 消融实验
        3.3.6 综合性能分析
    3.4 本章小结
4 基于层级类型感知图卷积的方面类别情感分析
    4.1 问题分析
    4.2 层级类型感知图神经网络
        4.2.1 词嵌入层
        4.2.2 编码器
        4.2.3 类型依存图
        4.2.4 层级类型感知图卷积网络
        4.2.5 分类层
        4.2.6 损失函数
    4.3 实验结果分析
        4.3.1 数据集
        4.3.2 实验设置
        4.3.3 实验对比
        4.3.4 超参数α的影响
        4.3.5 消融实验
        4.3.6 案例分析
    4.4 本章小结
5 总结与展望
    5.1 本文总结
    5.2 工作展望
参考文献



本文编号：3873117