基于深度學(xué)習(xí)的漢語(yǔ)解釋性意見(jiàn)關(guān)系識(shí)別方法研究與實(shí)現(xiàn).pdf

1、近年來(lái)，以電子商務(wù)、網(wǎng)絡(luò)媒體為代表的各類互聯(lián)網(wǎng)平臺(tái)和應(yīng)用逐漸普及，海量的用戶生成內(nèi)容(User-Generated Content，UGC)隨之產(chǎn)生。如何從海量的用戶生成內(nèi)容中提取有用的信息成為當(dāng)今學(xué)術(shù)界重要研究課題。意見(jiàn)挖掘系統(tǒng)的產(chǎn)生，為上述問(wèn)題提供了解決方案。現(xiàn)有的意見(jiàn)挖掘系統(tǒng)在解釋性意見(jiàn)要素識(shí)別、解釋性意見(jiàn)句識(shí)別、解釋性意見(jiàn)片段極性分類工作中取得了重大進(jìn)展，而對(duì)解釋性意見(jiàn)要素之間存在的關(guān)系所開(kāi)展的研究工作卻非常有限。本文面向產(chǎn)品評(píng)

2、論，運(yùn)用深度學(xué)習(xí)方法，探究在不同的神經(jīng)網(wǎng)絡(luò)框架下，解釋性意見(jiàn)關(guān)系識(shí)別性能，并根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行理論分析，得出相應(yīng)的結(jié)論。具體可分為以下三個(gè)方面:
　　(1)基于CNN(Convolutional Neural Network)的漢語(yǔ)解釋性意見(jiàn)關(guān)系識(shí)別:基于CNN框架，采用特征預(yù)訓(xùn)練的方法，探究距離特征以及極性特征對(duì)于解釋性意見(jiàn)關(guān)系識(shí)別的影響。實(shí)驗(yàn)結(jié)果表明，距離特征以及極性特征的引入對(duì)于實(shí)驗(yàn)性能的提升有著重要的作用，距離特征優(yōu)于極性特

3、征。
　　(2)基于LSTM(Long Short-Term Memory)的漢語(yǔ)解釋性意見(jiàn)關(guān)系識(shí)別:針對(duì)上下文信息以及語(yǔ)義信息對(duì)于解釋性意見(jiàn)關(guān)系識(shí)別的影響，采用LSTM框架以及Tree-LSTM(Tree-Structured Long Short-Term Memory)框架分別進(jìn)行了解釋性意見(jiàn)關(guān)系識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)表明:在手機(jī)領(lǐng)域中，LSTM性能優(yōu)于Tree-LSTM。在酒店領(lǐng)域中，Tree-LSTM性能優(yōu)于LSTM。
　

4、　(3)基于Attention的漢語(yǔ)解釋性意見(jiàn)關(guān)系識(shí)別:為了進(jìn)一步探究不同框架對(duì)于漢語(yǔ)解釋性意見(jiàn)關(guān)系識(shí)別的影響，引入Attention框架，同時(shí)把Attention框架與CNN框架以及LSTM框架相結(jié)合，進(jìn)行了Attention、CNN-Attention和LSTM-Attention框架下的漢語(yǔ)解釋性意見(jiàn)關(guān)系識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，LSTM-Attention框架優(yōu)于Attention框架，Attention框架優(yōu)于CNN-Atten