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)維度型情感詞典無法完全覆蓋所有詞匯 7
1.3.4 語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料庫的人工標(biāo)注 9
1.4.2 基于局部加權(quán)線性回歸的跨語言詞匯情感標(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)的短語情感強(qiáng)度預(yù)測方法 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 長短期記憶 30
2.5.5 堆疊神經(jīng)網(wǎng)絡(luò)模型 32
2.6 語料資源 32
2.6.1 語料庫與情感詞典 32
2.6.2 中文情感詞匯和中文情感文本語料庫 34
2.7 本章小結(jié) 36
3 基于局部加權(quán)線性回歸的跨語言詞匯情感標(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)評估 42
3.3.1 實(shí)驗(yàn)語料庫 42
3.3.2 數(shù)值評價指標(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)圖模型的同語種詞匯情感標(biāo)記方法 49
4.1 研究動機(jī) 49
4.2 基于社區(qū)聚類的加權(quán)圖模型 51
4.2.1 語義相似度計(jì)算 52
4.2.2 加權(quán)圖模型 52
4.2.3 基于社區(qū)聚類的鄰接詞匯選取 54
4.3 實(shí)驗(yàn)評估 57
4.3.1 實(shí)驗(yàn)語料庫 57
4.3.2 數(shù)值評價指標(biāo) 57
4.3.3 加權(quán)圖模型的評估實(shí)驗(yàn) 57
4.3.4 鄰接詞匯選取的對比實(shí)驗(yàn) 61
4.4 本章小結(jié) 64
5 基于修飾詞自動權(quán)重學(xué)習(xí)的短語情感分析方法 66
5.1 問題描述 66
5.2 基于神經(jīng)網(wǎng)絡(luò)的修飾詞自動權(quán)重學(xué)習(xí)模型 68
5.2.1 實(shí)詞的情感強(qiáng)度預(yù)測 68
5.2.2 修飾詞權(quán)重學(xué)習(xí) 70
5.2.3 短語情感強(qiáng)度預(yù)測 72
5.3 實(shí)驗(yàn)分析 73
5.3.1 實(shí)詞情感強(qiáng)度預(yù)測實(shí)驗(yàn)分析 74
5.3.2 修飾詞短語情感強(qiáng)度預(yù)測實(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 線性解碼器 86
6.3 對比實(shí)驗(yàn)評估 86
6.3.1 實(shí)驗(yàn)語料庫 86
6.3.2 數(shù)值評價指標(biāo) 87
6.3.3 實(shí)驗(yàn)方法 87
6.3.4 對比實(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 問題描述 92
7.2 堆疊殘差長短期記憶模型 94
7.2.1 殘差連接 94
7.2.2 堆疊LSTM結(jié)構(gòu) 96
7.2.3 線性解碼器 96
7.3 對比實(shí)驗(yàn)結(jié)果 97
7.3.1 數(shù)據(jù)集 97
7.3.2 評價指標(biāo) 98
7.3.3 對比實(shí)驗(yàn)方法 98
7.3.4 殘差連接評估 99
7.3.5 情感強(qiáng)度預(yù)測的對比結(jié)果 99
7.3.6 訓(xùn)練時間分析 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)評估 113
8.3.1 實(shí)驗(yàn)數(shù)據(jù)集 113
8.3.2 分類器 114
8.3.3 評價指標(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)果對比 116
8.4 本章小結(jié) 120
9 總結(jié) 122
9.1 全書回顧 122
9.2 未來工作 126
參考文獻(xiàn) 128