基于深度學(xué)習(xí)的文本情感分析技術(shù)研究.pdf

1、在信息爆炸的21世紀(jì)，隨著信息技術(shù)應(yīng)用不斷深入以及信息化建設(shè)的不斷展開(kāi)，文本信息正爆炸式的增長(zhǎng)，文本的情感分析也逐漸成為自然語(yǔ)言處理領(lǐng)域的研究熱點(diǎn)。情感分析主要是針對(duì)給定文本或其中的句子或短語(yǔ)片段識(shí)別其情感極性或情感強(qiáng)弱。傳統(tǒng)的研究方法主要是采用人工抽取特征和機(jī)器學(xué)習(xí)算法相結(jié)合構(gòu)建情感分類(lèi)模型，然而，人工抽取特征需要專(zhuān)家的領(lǐng)域知識(shí)和大量的人力物力，系統(tǒng)適應(yīng)性差。
　　近年來(lái)，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)新的研究方向，在不少領(lǐng)域的應(yīng)用

2、中取得了突破性進(jìn)展。深度學(xué)習(xí)在自然語(yǔ)言處理中最基礎(chǔ)的應(yīng)用是詞向量生成，即詞的分布式表示，并在許多傳統(tǒng)自然語(yǔ)言處理任務(wù)中得到應(yīng)用。但在傳統(tǒng)的詞向量訓(xùn)練模型中，詞向量通過(guò)上下文學(xué)習(xí)獲得，雖然包含了語(yǔ)義和語(yǔ)法信息，但是對(duì)情感分析任務(wù)，缺少了情感等信息。同時(shí)，在句子級(jí)情感分析任務(wù)中，在構(gòu)建句子的語(yǔ)義表達(dá)方面往往忽略了句子中詞序信息和語(yǔ)義信息對(duì)最后情感分類(lèi)結(jié)果的影響。
　　針對(duì)以上情感分析研究中存在的問(wèn)題，本文主要研究?jī)?nèi)容及創(chuàng)新工作如下:<

3、br>　　(1)提出了基于C&W模型的詞向量改進(jìn)訓(xùn)練模型，實(shí)現(xiàn)在詞向量訓(xùn)練過(guò)程中嵌入情感信息和詞性信息。該方法通過(guò)在模型訓(xùn)練中將句子和詞中的情感類(lèi)標(biāo)簽和詞性類(lèi)標(biāo)簽以不同的方式融入模型訓(xùn)練。為了驗(yàn)證學(xué)習(xí)得到的詞向量性能，本文分別對(duì)中英文文本進(jìn)行了定性和定量的對(duì)比試驗(yàn)，結(jié)果表明由改進(jìn)訓(xùn)練模型生成的詞向量在詞向量對(duì)比實(shí)驗(yàn)中達(dá)到最理想的性能。
　　(2)提出了基于LSTM網(wǎng)絡(luò)的情感分類(lèi)模型，實(shí)現(xiàn)了將詞向量情感語(yǔ)義信息擴(kuò)展到句子中。該方法在

4、利用詞向量構(gòu)建句子模型時(shí)，句子中的詞以序列化的方式輸入，使用LSTM神經(jīng)單元控制前后詞之間的相互關(guān)系，將句子中的詞序信息融入到句子模型構(gòu)建，獲得句子的情感語(yǔ)義表達(dá)，完成情感分類(lèi)。
　　(3)提出了基于卷積神經(jīng)網(wǎng)絡(luò)的情感分類(lèi)模型，實(shí)現(xiàn)了對(duì)句子中的特征順序提取、選擇與過(guò)濾。該方法首先對(duì)句子中的所有詞構(gòu)建輸入矩陣，使用不同大小窗口的卷積濾波器進(jìn)行特征的提取和選擇，然后用最大池化策略獲得影響因子和定長(zhǎng)輸出，進(jìn)而獲得句子情感分類(lèi)結(jié)果。