維度型文本情感分析技術(shù)

目錄
1 引言 1
1.1 連續(xù)維度型文本情感分析 1
1.2 文本情感分析的層次劃分 3
1.2.1 詞匯層次(word-level) 3
1.2.2 短語(yǔ)層次(phrase-level) 4
1.2.3 句子層次(sentence-level) 4
1.2.4 文本層次(text-level) 5
1.2.5 屬性層次(aspect-level) 5
1.3 研究現(xiàn)狀及存在問(wèn)題 6
1.3.1 文化差異 6
1.3.2 維度型文本情感分析基礎(chǔ)性研究積累較為薄弱 7
1.3.3 現(xiàn)有連續(xù)維度型情感詞典無(wú)法完全覆蓋所有詞匯 7
1.3.4 語(yǔ)義相似不等于情感相似 7
1.3.5 現(xiàn)有連續(xù)維度型文本情感分析準(zhǔn)確率依然較低 8
1.3.6 離散類(lèi)別型情感分析并不適用于連續(xù)維度型情感分析 8
1.3.7 現(xiàn)有深度神經(jīng)網(wǎng)絡(luò)模型并未考慮文本層次各句子間的邏輯表達(dá)關(guān)系 8
1.4 本書(shū)主要內(nèi)容 9
1.4.1 連續(xù)維度型中文情感詞匯和情感語(yǔ)料庫(kù)的人工標(biāo)注 9
1.4.2 基于局部加權(quán)線(xiàn)性回歸的跨語(yǔ)言詞匯情感標(biāo)記方法 9
1.4.3 基于社區(qū)加權(quán)圖模型的同語(yǔ)種詞匯情感標(biāo)記方法 10
1.4.4 基于修飾詞權(quán)重學(xué)習(xí)的短語(yǔ)情感強(qiáng)度預(yù)測(cè)方法 10
1.4.5 基于區(qū)域劃分CNN-LSTM模型的文本情感分析方法 11
1.4.6 基于堆疊殘差LSTM網(wǎng)絡(luò)的文本情感分析方法 11
1.4.7 基于情感信息的詞嵌入修正模型 12
1.5 本書(shū)的結(jié)構(gòu)安排 12
2 文本情感分析的相關(guān)研究工作 14
2.1 詞匯層次的VA值標(biāo)記方法研究 14
2.1.1 自我評(píng)定模型 14
2.1.2 基于回歸模型的情感詞匯標(biāo)記方法 16
2.1.3 基于圖模型的情感詞匯標(biāo)記方法 17
2.2 短語(yǔ)層次的情感強(qiáng)度分析方法 18
2.2.1 基于規(guī)則的修飾詞短語(yǔ)情感強(qiáng)度分析方法 19
2.2.2 基于學(xué)習(xí)的修飾詞短語(yǔ)情感強(qiáng)度分析方法 20
2.3 句子或文本層次的Valence-Arousal情感分析研究 21
2.3.1 基于情感詞典的文本情感分析方法 21
2.3.2 基于回歸模型的文本情感分析方法 22
2.4 語(yǔ)義嵌入技術(shù) 23
2.4.1 詞嵌入技術(shù) 23
2.4.2 基于情感信息的詞嵌入技術(shù) 25
2.4.3 句嵌入技術(shù) 26
2.5 面向離散類(lèi)別型文本情感分析方法的深度神經(jīng)網(wǎng)絡(luò)模型 27
2.5.1 多層感知器 27
2.5.2 卷積神經(jīng)網(wǎng)絡(luò) 28
2.5.3 遞歸神經(jīng)網(wǎng)絡(luò) 29
2.5.4 長(zhǎng)短期記憶 30
2.5.5 堆疊神經(jīng)網(wǎng)絡(luò)模型 32
2.6 語(yǔ)料資源 32
2.6.1 語(yǔ)料庫(kù)與情感詞典 32
2.6.2 中文情感詞匯和中文情感文本語(yǔ)料庫(kù) 34
2.7 本章小結(jié) 36
3 基于局部加權(quán)線(xiàn)性回歸的跨語(yǔ)言詞匯情感標(biāo)記方法 38
3.1 研究背景 38
3.2 局部加權(quán)線(xiàn)性回歸模型 39
3.2.1 特征提取 40
3.2.2 模型設(shè)計(jì) 41
3.3 實(shí)驗(yàn)評(píng)估 42
3.3.1 實(shí)驗(yàn)語(yǔ)料庫(kù) 42
3.3.2 數(shù)值評(píng)價(jià)指標(biāo) 43
3.3.3 參數(shù)選取 44
3.3.4 實(shí)例分析 48
3.4 本章小結(jié) 48
4 基于社區(qū)加權(quán)圖模型的同語(yǔ)種詞匯情感標(biāo)記方法 49
4.1 研究動(dòng)機(jī) 49
4.2 基于社區(qū)聚類(lèi)的加權(quán)圖模型 51
4.2.1 語(yǔ)義相似度計(jì)算 52
4.2.2 加權(quán)圖模型 52
4.2.3 基于社區(qū)聚類(lèi)的鄰接詞匯選取 54
4.3 實(shí)驗(yàn)評(píng)估 57
4.3.1 實(shí)驗(yàn)語(yǔ)料庫(kù) 57
4.3.2 數(shù)值評(píng)價(jià)指標(biāo) 57
4.3.3 加權(quán)圖模型的評(píng)估實(shí)驗(yàn) 57
4.3.4 鄰接詞匯選取的對(duì)比實(shí)驗(yàn) 61
4.4 本章小結(jié) 64
5 基于修飾詞自動(dòng)權(quán)重學(xué)習(xí)的短語(yǔ)情感分析方法 66
5.1 問(wèn)題描述 66
5.2 基于神經(jīng)網(wǎng)絡(luò)的修飾詞自動(dòng)權(quán)重學(xué)習(xí)模型 68
5.2.1 實(shí)詞的情感強(qiáng)度預(yù)測(cè) 68
5.2.2 修飾詞權(quán)重學(xué)習(xí) 70
5.2.3 短語(yǔ)情感強(qiáng)度預(yù)測(cè) 72
5.3 實(shí)驗(yàn)分析 73
5.3.1 實(shí)詞情感強(qiáng)度預(yù)測(cè)實(shí)驗(yàn)分析 74
5.3.2 修飾詞短語(yǔ)情感強(qiáng)度預(yù)測(cè)實(shí)驗(yàn)分析 76
5.4 本章小結(jié) 80
6 基于區(qū)域劃分CNN-LSTM模型的文本情感分析方法 82
6.1 研究動(dòng)機(jī) 82
6.2 基于區(qū)域劃分的CNN-LSTM模型 84
6.2.1 卷積層 84
6.2.2 最大池化層 85
6.2.3 序列整合層 85
6.2.4 線(xiàn)性解碼器 86
6.3 對(duì)比實(shí)驗(yàn)評(píng)估 86
6.3.1 實(shí)驗(yàn)語(yǔ)料庫(kù) 86
6.3.2 數(shù)值評(píng)價(jià)指標(biāo) 87
6.3.3 實(shí)驗(yàn)方法 87
6.3.4 對(duì)比實(shí)驗(yàn)結(jié)果 88
6.4 本章小結(jié) 91
7 基于堆疊殘差LSTM網(wǎng)絡(luò)的文本情感分析方法 92
7.1 問(wèn)題描述 92
7.2 堆疊殘差長(zhǎng)短期記憶模型 94
7.2.1 殘差連接 94
7.2.2 堆疊LSTM結(jié)構(gòu) 96
7.2.3 線(xiàn)性解碼器 96
7.3 對(duì)比實(shí)驗(yàn)結(jié)果 97
7.3.1 數(shù)據(jù)集 97
7.3.2 評(píng)價(jià)指標(biāo) 98
7.3.3 對(duì)比實(shí)驗(yàn)方法 98
7.3.4 殘差連接評(píng)估 99
7.3.5 情感強(qiáng)度預(yù)測(cè)的對(duì)比結(jié)果 99
7.3.6 訓(xùn)練時(shí)間分析 103
7.4 本章小結(jié) 105
8 基于情感信息的詞嵌入修正模型 106
8.1 研究背景 106
8.2 詞嵌入修正模型 108
8.2.1 最近鄰排序 109
8.2.2 詞向量修正模型 110
8.3 實(shí)驗(yàn)評(píng)估 113
8.3.1 實(shí)驗(yàn)數(shù)據(jù)集 113
8.3.2 分類(lèi)器 114
8.3.3 評(píng)價(jià)指標(biāo) 115
8.3.4 實(shí)驗(yàn)參數(shù)設(shè)置 115
8.3.5 實(shí)驗(yàn)結(jié)果對(duì)比 116
8.4 本章小結(jié) 120
9 總結(jié) 122
9.1 全書(shū)回顧 122
9.2 未來(lái)工作 126
參考文獻(xiàn) 128