基于情感词强度极值的情感嵌入模型研究

发布时间：2024-05-07 03:16

　　在各种自然语言处理(NLP)任务中,文本情感分析是其中一个重要的挑战任务和飞速发展的研究领域。文本情感分析通过一系列方法对主观性文本中的情感成分进行分析、处理、归纳和推理。目前面向中文的文本情感分析方法主要分为基于情感词典的方法和基于机器学习的方法。基于情感词典的方法是利用知识库和语料库,通过不同词语之间的词义关系构建具有褒贬义情感倾向的情感词典。这种方法将词语进行二元(褒义、贬义)或三元(褒义、贬义和中性)划分,构建成的词典在情感强度细分任务上表现粗糙,强度极值差异化程度较大,无法进行细粒度的情感分析。基于机器学习的情感分析方法通常使用神经网络模型将词语转换为有意义的分布式词向量,通过预训练好的词向量(如,Word2vec和GloVe),计算词语间的余弦相似度进行文本情感分析。然而,现有的基于上下文的词向量训练方法,可能导致具有相反情感极性的词语具有相似的向量空间表示(例如“温柔”和“刁蛮”的余弦相似度为0.670398235),导致情感分析性能降低。本文将情感词典与词向量空间模型相结合,提出一个基于情感词强度极值的情感嵌入模型。从情感词典出发,将情感词典与词向量空间余弦相似度结合,...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
        1.3.1 情感分析
        1.3.2 情感词典国内外研究现状
        1.3.3 词向量国内外研究现状
    1.4 本文主要研究内容
    1.5 论文的组织结构
第2章 相关知识
    2.1 情感词典
        2.1.1 情感词典的构造方法
        2.1.2 基于情感词典的情感分析方法
    2.2 词向量
        2.2.1 神经网络语言模型
        2.2.2 分布式词向量预训练及优化方法
    2.3 本章小结
第3章 基于情感词强度极值的情感嵌入模型
    3.1 基于KNN思想的情感词强度极值计算方法
        3.1.1 方法设计
        3.1.2 计算过程
        3.1.3 验证方法
    3.2 基于情感词强度极值的情感嵌入模型
        3.2.1 模型设计
        3.2.2 参数设定
        3.2.3 验证方式
    3.3 本章小结
第4章 实验及结果分析
    4.1 实验配置
        4.1.1 运行环境
        4.1.2 实验数据
    4.2 评价指标
    4.3 实验步骤
    4.4 实验结果和分析
        4.4.1 情感词强度极值细化结果和分析
        4.4.2 情感嵌入模型结果和分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和取得的科研成果
致谢



本文编号：3966741