基于领域空间对齐的跨领域情感分类方法研究
发布时间：2020-12-18 02:13
随着社交网络、电子商务以及互联网+技术的迅速发展,对产品评价、新闻舆论等带有感情色彩的主观性文本进行情感极性分析,有助于了解用户态度倾向;在商业领域,可用于分析商品被用户认可度,为商品推荐、信息推送等提供基础;在社交新闻领域,可用于舆论分析,为舆情监控、信息预测等提供基础。因而,文本情感极性分析的研究越来越被关注,成为自然语言处理、人工智能等领域的热门课题。由于目前网络中的评论语料涉及的领域和范围广泛,手工标定足够的样本为每一个领域建立一个情感分类器是非常困难的;加之不同领域评价用语等的差异性以及实际应用中存在应用场景的差异性,易造成领域间样本数据的分布差异,在某个具有良好数据标定的领域训练好的模型很难直接应用到其他领域中,获得理想的分类效果。因此,跨领域情感分类问题的研究,特别是基于迁移学习技术实现跨领域情感分类器的研究,因其为领域间的知识迁移提供了解决方案,提高了情感分类器的准确性和普适性,成为了自然语言处理领域重要的研究课题,具有重要的应用和研究价值。为了提高跨领域情感分类的准确率,本文主要通过基于特征对齐的领域自适应方法,采用特征映射函数分别将不同领域的样本数据映射到相同的特征...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：109 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与研究意义
1.1.1 文本情感分类的研究背景及意义
1.1.2 迁移学习的研究背景与意义
1.2 国内外研究现状
1.2.1 单领域情感分类的研究现状
1.2.2 跨领域情感分类的研究现状
1.3 论文的主要研究内容和内容安排
1.4 论文的章节安排
第2章 基于迁移学习的跨领域文本情感分类算法的相关理论和技术概述
2.1 引言
2.2 迁移学习概述
2.2.1 迁移学习的问题范式
2.2.2 迁移学习的方法分类
2.3 基于迁移学习的跨领域文本情感分类
2.4 文本表示模型
2.4.1 文本数据预处理
2.4.2 文本特征选择
2.4.3 文本向量化表示模型
2.5 基于浅层神经网络的跨领域情感分类研究方法
2.5.1 特征对齐技术
2.5.2 浅层神经网络模型
2.6 基于深度神经网络的跨领域情感分类技术
2.7 本章小结
第3章 多视角特征共享的领域空间对齐跨领域情感分类
3.1 引言
3.2 总体架构
3.3 领域间无歧义共享特征集合的构建
3.3.1 无极性分歧的情感词集合的构建
3.3.2 领域间无歧义共享特征集合的构建
3.4 领域间专有特征词对的提取
3.4.1 基于语法规则进行情感词对提取
3.4.2 基于关联规则进行特征词对提取
3.5 领域间统一特征空间的构建和分类模型的训练
3.6 实验结果与分析
3.6.1 数据集概述和预处理
3.6.2 实验设计和结果分析
3.6.3 参数分析
3.7 本章小结
第4章 基于领域不变特征的无监督领域对抗自适应深度神经网络
4.1 引言
4.2 算法的设计思想
4.3 算法的网络结构框架
4.4 算法设计及优化计算方法
4.4.1 理论分析
4.4.2 算法的设计与优化
4.5 实验结果与分析
4.5.1 数据集概述和实验设计
4.5.2 实验结果和分析
4.5.3 参数分析和特征可视化
4.6 本章小结
第5章 领域对抗自适应神经网络在跨领域文本情感分类上的应用
5.1 引言
5.2 领域对抗自适应网络在跨领域文本情感分类问题上的结构框架
5.2.1 特征提取模块
5.2.2 网络结构框架
5.3 实验结果与分析
5.3.1 数据集概述与实验设计
5.3.2 实验结果与分析
5.4 本章小结
总结与展望
参考文献
攻读硕士学位期间所发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于语义极性分析的餐馆评论挖掘[J]. 潘宇,林鸿飞. 计算机工程. 2008(17)
[2]基于HowNet的词汇语义倾向计算[J]. 朱嫣岚,闵锦,周雅倩,黄萱菁,吴立德. 中文信息学报. 2006(01)
[3]情感词汇本体的构造[J]. 徐琳宏,林鸿飞,潘宇,任惠,陈建美. 情报学报. 2008 (02)
本文编号：2923149
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：109 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与研究意义
1.1.1 文本情感分类的研究背景及意义
1.1.2 迁移学习的研究背景与意义
1.2 国内外研究现状
1.2.1 单领域情感分类的研究现状
1.2.2 跨领域情感分类的研究现状
1.3 论文的主要研究内容和内容安排
1.4 论文的章节安排
第2章 基于迁移学习的跨领域文本情感分类算法的相关理论和技术概述
2.1 引言
2.2 迁移学习概述
2.2.1 迁移学习的问题范式
2.2.2 迁移学习的方法分类
2.3 基于迁移学习的跨领域文本情感分类
2.4 文本表示模型
2.4.1 文本数据预处理
2.4.2 文本特征选择
2.4.3 文本向量化表示模型
2.5 基于浅层神经网络的跨领域情感分类研究方法
2.5.1 特征对齐技术
2.5.2 浅层神经网络模型
2.6 基于深度神经网络的跨领域情感分类技术
2.7 本章小结
第3章 多视角特征共享的领域空间对齐跨领域情感分类
3.1 引言
3.2 总体架构
3.3 领域间无歧义共享特征集合的构建
3.3.1 无极性分歧的情感词集合的构建
3.3.2 领域间无歧义共享特征集合的构建
3.4 领域间专有特征词对的提取
3.4.1 基于语法规则进行情感词对提取
3.4.2 基于关联规则进行特征词对提取
3.5 领域间统一特征空间的构建和分类模型的训练
3.6 实验结果与分析
3.6.1 数据集概述和预处理
3.6.2 实验设计和结果分析
3.6.3 参数分析
3.7 本章小结
第4章 基于领域不变特征的无监督领域对抗自适应深度神经网络
4.1 引言
4.2 算法的设计思想
4.3 算法的网络结构框架
4.4 算法设计及优化计算方法
4.4.1 理论分析
4.4.2 算法的设计与优化
4.5 实验结果与分析
4.5.1 数据集概述和实验设计
4.5.2 实验结果和分析
4.5.3 参数分析和特征可视化
4.6 本章小结
第5章 领域对抗自适应神经网络在跨领域文本情感分类上的应用
5.1 引言
5.2 领域对抗自适应网络在跨领域文本情感分类问题上的结构框架
5.2.1 特征提取模块
5.2.2 网络结构框架
5.3 实验结果与分析
5.3.1 数据集概述与实验设计
5.3.2 实验结果与分析
5.4 本章小结
总结与展望
参考文献
攻读硕士学位期间所发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于语义极性分析的餐馆评论挖掘[J]. 潘宇,林鸿飞. 计算机工程. 2008(17)
[2]基于HowNet的词汇语义倾向计算[J]. 朱嫣岚,闵锦,周雅倩,黄萱菁,吴立德. 中文信息学报. 2006(01)
[3]情感词汇本体的构造[J]. 徐琳宏,林鸿飞,潘宇,任惠,陈建美. 情报学报. 2008 (02)
本文编号：2923149
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2923149.html
