基于深度学习的中文反讽程度预测

发布时间：2021-08-17 11:59

　　文本情感分析研究主要有类别型研究和维度型研究,其中维度型研究体现了更加细粒度的情感信息,连续型维度表达可以转换成离散型类别表达。目前中文维度型语料少,维度型研究预测结果准确性低,因此中文维度型研究较难。在情感分析中,反讽是一种特殊的表达,经常使用夸张的语气词等来间接表达与字面意思相反的情感,需要从上下文及语境来了解其用意。反讽语料的结构性特殊,这也给中文反讽程度预测增加了一些难度。本文针对这些问题,在建立的多维度中文反讽语料库Va1ence-Arousa1-Irony三维空间中,进行中文反讽程度预测研究。因为深度学习方法可以自动提取文本特征,所以我们选择用深度神经网络（分别为CNN、LSTM、以及这两者的组合）对多维度中文反讽语料库进行评估（基准模型）,对多维度反讽语料库进行建模分析,提出了三种优化预测模型,具体如下:（1）提出了多维度线性调整反讽预测模型MDLA。首先建模分析该语料库的多个情感维度之间的关系,并可视化VAI回归关系。然后依据其他维度的预测结果对单独预测结果进行一定的线性调整,考虑了维度之间的关系特征。实验结果表明该模型预测效果优于基准模型。（2）提出了多维度特征组合反... 

【文章来源】：福州大学福建省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图１－】维度情感的Ｖａｌｅｎｃｅ－Ａｒｏｕｓａｌ表示法??

?４?６??图２－２?Ｓｉｇｍｏｉｄ函数的导数??在输出层，激活函数可以使用Ｓｏｆｔｍａｘ来进行多分类，用ｌｉｎｅａｒ线性函数来??预测连续数值。??下面图２－３是一个输入：２个感知器，输出：３个感知器的三层感知器。??１３??

?６??（ｃ）?Ｔａｎｈ??图２－１常用的激活函数??Ｓｉｇｍｏｉｄ函数和ｔａｎｈ函数计算复杂，计算量大，且在多层的神经网络中易出??现梯度消失（ｇｒａｄｉｅｎｔ?ｖａｎｉｓｈｉｎｇ）的情况，这对深层网络来说是个很大的问题。Ｒｅｌｕ??函数简单便捷，导数计算量小，而且Ｒｅｌｕ的导数是１，不会导致梯度变小。当然??这只是其中的一部分原因，但总的来说Ｒｅｌｕ比较好，能更深入训练网络。??？?ｍ?Ｄｅｒｉｖａｔｉｖｅ?ｏｆ?ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ??ＶＡＺ?Ｊ?ｉ?ｉ?ｉ?１?ｌ??０．２０?－?／?＼?－??０．１５?－?／?＼?－??０．１０?－?／?＼?－??０．０５?－?■??０．００?Ｉ?１?１?１?１?＇?？—??一６?－４?－２?０?２?４?６??图２－２?Ｓｉｇｍｏｉｄ函数的导数??在输出层，激活函数可以使用Ｓｏｆｔｍａｘ来进行多分类，用ｌｉｎｅａｒ线性函数来??预测连续数值。??下面图２－３是一个输入：２个感知器，输出：３个感知器的三层感知器。??１３??


本文编号：3347724