【基于机器学习的情感分类研究的国内外文献综述2700字】.docxVIP

基于机器学习的情感分类研究的国内外文献综述

目录

TOC\o1-2\h\u31361基于机器学习的情感分类研究的国内外文献综述 1

303541.1机器学习情感分析发展 1

59771.2深度学习情感分析上发展 2

100511.3文献述评 3

19764参考文献 3

传统的文本情感分析有三大类：分别是基于句子、词典和机器学习的情感模型，近年来，随着计算机技术的发展，电脑硬件设备的进步，使得能够处理更加复杂的模型，深度学习的兴起也是必然之势，本节将从机器学习和深度学习两方面介绍国内外研究情况。

1.1机器学习情感分析发展

（一）基于有监督学习的方法：基于有监督学习的方法REF_Re\r\h[1]朴素贝叶斯、支持向量机和最大熵等。2002年，pangREF_Re\r\h[2]等人率先选择了机器学习作为工具来研究电影评论，结果表明机器学习这一技术在电影评论上面表现不错，具有一定的拓展性。YeREF_Re\r\h[3]等人使用了NB、SVM以及加入特征的N-gram技术三种机器学习方法进行了文本分类训练，NB算法不如后两种算法，但是当扩大样本量时，最后结果反而比较接近，均高于80%。

回到国内的研究情况，姚天昉REF_Re\r\h[4]等人最先利用确立情感相关词的关系，利用关系词和主题词的联系来进行情感分析。谢丽星REF_Re\r\h[5]等人提出了复合型的策略情感模型，利用字典、表情符号、支持向量机三种不同的方式对微博短文本做了相关性研究。刘志明REF_Re\r\h[6]等人通过多次的对比实验确定了特征提取的有效方式是信息增益，然后利用最常用的TF-IDF进行计算，同时这种情况下，效果表现良好。

（二）基于无监督学习的文本情感分类方法：无监督学习训练集没有标签，对本文的类别本身不确定。

TurneyREF_Re\r\h[7]等人提出了判断评论词性情感的算法。MaiteREF_Re\r\h[8]REF_Re\r\h[9]等人是利用情感词典的方法，考虑了各种修饰词的影响，例如语气词之类的，然后制定了一套权重得分配方法。

国内相关研究领域，朱嫣岚REF_Re\r\h[9]等人做了两组实验，一组是语义相似度，另一组则是语义相关场，并且对两组实验做了对比分析；王素格REF_Re\r\h[10]等人通过创新中文情感词典以达到提升准确率的效果；孙艳REF_Re\r\h[11]等人通过无监督学习的方法对句子情感标签以及词的标签进行分类，得到不错的效果。

1.2深度学习情感分析上发展

在深度学习研究领域中，情感分析只是其众多应用中的一小部分，在情感分析上，深度学习是将文本变为词向量，然后通过神经网络层，在隐藏层进行非线性变换，最后传入输出层，与真实值做对比，然后会有一个误差，这个差值就是用来训练神经网络的目标函数，从而达到更新神经元的权值。神经网络更新参数的方式就是这样。

自从Hinton等人在2006年提出了深度学习之后，在人脸识别，自动巡航以及情感分析等领域取得了突破性进展REF_Re\r\h[12]REF_Re\r\h[13]。与早年的鼻祖机器学习相比有了很大的提高。R.Collobert等REF_Re\r\h[14]利用神经网络建立一个统一的模型，从大量无标签数据中提取出更有价值的信息。R.Moraces等REF_Re\r\h[15]证明SVM在情感分析上不如ANN。Tang等REF_Re\r\h[16]通过联合CNN（ConvolutionalNeuralNetworks）和LSTM实现对句子的特征进行提取。Yang等REF_Re\r\h[17]提出了一个包含单词级和句子级两个级别的注意力机制，可以更好的表达文档特征。Wang等REF_Re\r\h[18]利用LSTM的隐藏状态参量获取词与词的关系。Tang等REF_Re\r\h[19]构建的端对端网络表现良好。Wang等REF_Re\r\h[20]人提出了CNN和RNN的混合模型。