基于深度語(yǔ)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(yǔ)言處理領(lǐng)域越來(lái)越受到關(guān)注，深度學(xué)習(xí)通過(guò)特征組合使其能夠表示句子的深層語(yǔ)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(píng)價(jià)對(duì)象抽取與評(píng)價(jià)對(duì)象的情感傾向性判定這三個(gè)方面的情感分析中的關(guān)鍵問(wèn)題，這些問(wèn)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(yǔ)言處理任務(wù)中，因此該論文的研究具有重要的理論價(jià)值和研究意義。
　　在情感分類的領(lǐng)域自適應(yīng)研究中，針對(duì)大量有標(biāo)注語(yǔ)料不易獲取的問(wèn)題

2、，本文提出使用有標(biāo)注語(yǔ)料與無(wú)標(biāo)注語(yǔ)料聯(lián)合訓(xùn)練詞向量，并采用主動(dòng)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(shí)驗(yàn)結(jié)果表明在訓(xùn)練語(yǔ)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(shí)詞向量?jī)?chǔ)存了用于情感分析的大部分知識(shí)，當(dāng)從一個(gè)領(lǐng)域向另一個(gè)領(lǐng)域遷移時(shí)，詞向量只需做少量的調(diào)整，因此在領(lǐng)域遷移過(guò)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(dòng)學(xué)習(xí)策略可以緩解單純依賴自學(xué)習(xí)來(lái)擴(kuò)展語(yǔ)料所出現(xiàn)的自誤導(dǎo)現(xiàn)象，實(shí)驗(yàn)結(jié)果表明，加入主動(dòng)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(píng)價(jià)對(duì)象的抽取研究中，針對(duì)統(tǒng)計(jì)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(wèn)題，本文提出了基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（BRNN）來(lái)抽取評(píng)價(jià)對(duì)象的方法。雙向循環(huán)神經(jīng)網(wǎng)絡(luò)通過(guò)引入正向隱藏層和反向隱藏層，使之能分別儲(chǔ)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(chǎng)模型進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明語(yǔ)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(guó)中文傾向性評(píng)測(cè)（COAE2015）的受限資源測(cè)試上取得第一名。
　　在評(píng)價(jià)對(duì)象的情感判定研究中，針對(duì)已有方法對(duì)評(píng)價(jià)對(duì)象情感判定沒(méi)有充分利用上下文信息的問(wèn)題，本文提出聯(lián)合長(zhǎng)短期記憶模型（LSTM）與卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）判定評(píng)價(jià)對(duì)象情感的方法。首先判斷評(píng)價(jià)對(duì)象所在分句的情感傾向，然后根據(jù)分句的情感預(yù)測(cè)評(píng)價(jià)對(duì)象的情