- 1、本文档共67页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
目录
摘要I
AbstractIII
第一章绪论1
1.1研究背景和意义1
1.2研究现状及分析2
1.2.1基于情感词典的方法2
1.2.2基于机器学习的方法2
1.2.3基于深度学习的方法3
1.2.4细粒度情感分析5
1.3研究内容6
1.4本文组织结构7
第二章相关技术介绍9
2.1文本预处理9
2.2文本特征提取9
2.3深度学习网络模型12
2.3.1循环神经网络12
2.3.2长短期记忆网络12
2.3.3门控循环单元14
2.3.4卷积神经网络15
2.4注意力机制15
2.4.1标准的注意力机制16
2.4.2自注意力机制17
2.4.3多头自注意力机制18
2.5依存句法19
2.5.1依存句法分析19
2.5.2依存句法在方面级情感分析中的应用20
2.6方面级情感分析常用评价指标21
2.7本章小结21
第三章基于关系感知图卷积网络的方面级情感分析方法22
3.1模型的基本思想22
3.2RE-GCN模型22
3.2.1模型的整体结构22
3.2.2文本表示层23
3.2.3基于语法的面向方面表示24
3.2.4基于语义的上下文信息处理26
3.2.5基于注意力生成最终表示28
3.2.6模型训练28
3.3实验29
3.3.1数据集29
3.3.2实验参数设置29
3.3.3比较方法30
3.3.4实验结果30
3.3.5实验分析32
3.4本章小结35
第四章基于协同注意力与多特征通道图卷积网络的方面级情感分析方法36
4.1模型的基本思想36
4.2Co-MFGCN模型37
4.2.1模型的整体结构37
4.2.2协同注意编码层38
4.2.3多特征图卷积通道层39
4.2.4双仿射模块层42
4.2.5模型训练43
4.3实验43
4.3.1数据集与实验设置43
4.3.2比较方法44
4.3.3实验结果45
4.3.4实验分析46
4.4本章小结49
第五章总结与展望50
5.1本文工作总结50
5.2工作展望50
参考文献52
攻读硕士学位期间的主要研究成果59
致谢60
摘要
随着社交媒体和电子商务的兴起,用户产生的文本数据急剧增加,因此对文本的情感
分析需求愈发迫切。传统情感分析旨在识别文本中的整体情感极性,不考虑具体涉及的方
面或实体。然而,在实际应用中,人们更关注特定方面或实体的情感倾向,例如产品的特
定功能、服务的具体方面等。在这背景下,方面级情感分析崭露头角。
本文旨在对方面级情感分析的研究现状和方法模型进行分析,并利用时下流行的依存
句法分析去解决该领域存在的挑战。然而,现有的基于依存句法的方法大多都忽略了依存
关系类型,也未考虑到基于依存关系的其他语言特征。另外,用户产生的文本信息大多都
是非正式的,含有大量的噪音信息,因此去除与方面词不相关的噪音信息也变得至关重要。
受以上问题的驱动,本文的研究工作如下:
(1)针对忽略依存关系类型以及文本中含有噪音的问题,提出了一种基于关系感知图
卷积的网络模型(Relation-awareGraphConvolutionalNetworkforAspect-levelSentiment
Analysis,RE-GCN)。由于依存关系存在不同的类型,并且不同类型的关系对方面的情感判
断贡献不同,而注意力机制可以对不同的关系分配权重。因此,RE-GCN在GCN的基础
上使用了注意力机制,对依赖
文档评论(0)