基于空洞CNN的实体级情感分析研究

发布时间：2021-12-24 04:18

　　有效地分析文本隐含的情感信息是自然语言处理领域研究重点之一,其中实体级情感分析旨在推理文本中实体所传达的情感倾向,更详细地考虑了对产品、服务等实体层面的意见,具有重要的研究价值。为此,针对现有实体级情感分析模型的不足,本文从特定实体和非特定实体两种情况对实体级情感分析进行深入研究,具体如下:（1）针特定实体情况,考虑到循环神经网络效率低下以及卷积神经网络（CNN）语义提取范围受限等问题,研究了一种基于稀疏注意力的可分离空洞CNN。首先利用由语义词向量和情感词向量构成的多通道词嵌入表征编码文本和特定实体;其次通过构建可分离空洞卷积模块,采用不同扩张率的可分离空洞CNN扩大语义交互范围,从而在获取多尺度语义依赖关系的同时减少模型参数;然后根据特定实体位置信息和获取的文本语义特征,设计了用于提取特定实体情感信息的稀疏注意力机制。在多个真实数据集上的对比实验表明,该模型能以17.9 K的模型参数分别在Laptop和Restaurant数据集上获得73.57%和81.36%的分类精度,同时也证明了模型的有效性。（2）针对非特定实体情况,考虑到现有方法将实体级情感分析建模为实体提取和情感极性判别两... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

展示了不同学习率对模型性能的影响，包含0.01、0.05的固定学习率(lr)，和基础学习率为0.1、

损失函数对模型性能的影响

(b) 测试损失图 3.4 稀疏注意力对模型性能的影响⑤学习率分析。为了验证训练模型时采用学习率的合理性，图 3.6 展示了不同学习率对模型性能的影响，包含 0.01、0.05 的固定学习率(lr)，和基础学习率为 0.1、0.05 的衰减学习率(decaylr)。由图可知，学习率越小，模型收敛速度越慢，而将学习速率衰减策略与适当的学习速率相结合，不但可以使模型在有限时间内收敛，而且还能获得较高的分类精度。因为训练初期较大的学习率会迫使模型快速逼近最

【参考文献】：
期刊论文
[1]基于多注意力卷积神经网络的特定目标情感分析[J]. 梁斌,刘全,徐进,周倩,章鹏.  计算机研究与发展. 2017(08)

硕士论文
[1]基于深度学习的情感词向量及文本情感分析的研究[D]. 张志华.华东师范大学 2016



本文编号：3549805