基于深度語義特征的情感分析研究.pdf

1、近幾年深度學(xué)習(xí)方法在自然語言處理領(lǐng)域越來越受到關(guān)注，深度學(xué)習(xí)通過特征組合使其能夠表示句子的深層語義特征。本文基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，研究情感分類的領(lǐng)域自適應(yīng)、評價對象抽取與評價對象的情感傾向性判定這三個方面的情感分析中的關(guān)鍵問題，這些問題的研究方法不僅可以用在情感分析任務(wù)中，還能應(yīng)用到許多其他的自然語言處理任務(wù)中，因此該論文的研究具有重要的理論價值和研究意義。
　　在情感分類的領(lǐng)域自適應(yīng)研究中，針對大量有標(biāo)注語料不易獲取的問題

2、，本文提出使用有標(biāo)注語料與無標(biāo)注語料聯(lián)合訓(xùn)練詞向量，并采用主動學(xué)習(xí)與自學(xué)習(xí)相結(jié)合的策略進(jìn)行領(lǐng)域遷移的方法。實驗結(jié)果表明在訓(xùn)練語料較少的情況下，聯(lián)合訓(xùn)練能夠明顯提高詞向量的泛化能力。同時詞向量儲存了用于情感分析的大部分知識，當(dāng)從一個領(lǐng)域向另一個領(lǐng)域遷移時，詞向量只需做少量的調(diào)整，因此在領(lǐng)域遷移過程中只需少量迭代就能使目標(biāo)領(lǐng)域的分類器達(dá)到良好的性能。使用主動學(xué)習(xí)策略可以緩解單純依賴自學(xué)習(xí)來擴(kuò)展語料所出現(xiàn)的自誤導(dǎo)現(xiàn)象，實驗結(jié)果表明，加入主動學(xué)

3、習(xí)后，分類器在迭代后期的性能下降現(xiàn)象得到了緩解，而且其性能還略優(yōu)于基于有監(jiān)督的訓(xùn)練方法。
　　在評價對象的抽取研究中，針對統(tǒng)計學(xué)習(xí)方法中特征需要人為設(shè)定并且還受到上下文窗口大小的限制，導(dǎo)致抽取結(jié)果的召回率較低的問題，本文提出了基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（BRNN）來抽取評價對象的方法。雙向循環(huán)神經(jīng)網(wǎng)絡(luò)通過引入正向隱藏層和反向隱藏層，使之能分別儲存上文與下文的信息，并且不受窗口大小的限制。本文還添加了詞性、依存句法樹關(guān)系等特征，并與條件隨

4、機(jī)場模型進(jìn)行了比較，實驗結(jié)果表明語言學(xué)特征能夠提高抽取性能，而且BRNN在召回率方面優(yōu)于CRF。該方法在2015年全國中文傾向性評測（COAE2015）的受限資源測試上取得第一名。
　　在評價對象的情感判定研究中，針對已有方法對評價對象情感判定沒有充分利用上下文信息的問題，本文提出聯(lián)合長短期記憶模型（LSTM）與卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）判定評價對象情感的方法。首先判斷評價對象所在分句的情感傾向，然后根據(jù)分句的情感預(yù)測評價對象的情