检索结果-南通市图书馆

计算机研究与发展 2019年第8期56卷 1731-1745页

作者：苏锦钿欧阳志凡余珊珊华南理工大学计算机科学与工程学院广州510640 广东药科大学医药信息工程学院广州510006

目前基于注意力机制的句子属性情感分类方法由于忽略句子中属性的上下文信息以及单词与属性间的距离特征,从而导致注意力机制难以学习到合适的注意力权重.针对该问题,提出一种基于依存树及距离注意力的句子属性情感分类模型(dependency ... 详细信息

目前基于注意力机制的句子属性情感分类方法由于忽略句子中属性的上下文信息以及单词与属性间的距离特征,从而导致注意力机制难以学习到合适的注意力权重.针对该问题,提出一种基于依存树及距离注意力的句子属性情感分类模型(dependency tree and distance attention, DTDA).首先根据句子的依存树得到包含属性的依存子树,并利用双向GRU学习句子及属性的上下文特征表示;根据句子中单词和属性在依存树中的最短路径确定相应的语法距离及位置权重,同时结合相对距离构造包含语义信息和距离信息的句子特征表示,并进一步利用注意力机制生成属性相关的句子情感特征表示;最后,将句子的上下文信息与属性相关的情感特征表示合并后并通过softmax进行分类输出.实验结果表明:DTDA在国际语义评测SemEval2014的2个基准数据集Laptop和Restaurant上取得与目前最好方法相当的结果.当使用相关领域训练的词向量时,DTDA在Laptop上的精确率为77.01%,在Restaurant上的准确率为81.68%.

关键词：深度学习属性情感分类注意力依存树自然语言处理

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

面向属性情感分类的无标签数据增强位置感知网络

引用

计算机工程 2023年第11期49卷 106-114页

作者：蒋慧凯李晓戈安晓春王甜甜阮桁西安邮电大学计算机学院西安710121 陕西省网络数据分析与智能处理重点实验室西安710121 山东大学管理学院济南250100

在现有的属性情感分类研究中,训练模型时大多完全依赖标签数据或需要引入文本级标签数据作为补充,很少关注无标签数据对模型性能的提升。提出一种基于无标签数据增强的位置感知网络(UDE-PAN)。引入交叉可视训练(CVT)的半监督训练算法,... 详细信息

在现有的属性情感分类研究中,训练模型时大多完全依赖标签数据或需要引入文本级标签数据作为补充,很少关注无标签数据对模型性能的提升。提出一种基于无标签数据增强的位置感知网络(UDE-PAN)。引入交叉可视训练(CVT)的半监督训练算法,使模型能够同时利用无标签数据。CVT算法在标签数据和无标签数据中交替训练模型来提升表征学习能力,使模型在无标签数据中学习到额外知识。此外,基于语义相对距离(SRD)嵌入层和动态特征加权(CDW)层捕获属性词和上下文的关系:SRD嵌入层显式地将位置信息建模成特征向量,使上下文特征包含特定的属性信息;CDW层通过动态设置权重系数来感知上下文中与属性词更密切的部分。在SemEval14的2个公开数据集上的实验结果表明:UDE-PAN的准确率分别达到76.23%、82.47%,Macro-F1值分别达到72.13%、73.97%,优于对比的主流模型,验证了模型的有效性;借助CVT算法,无标签数据的训练对模型的准确率平均提升1%,Macro-F1平均提升2%,验证了无标签数据可以有效增强模型性能。

关键词：属性情感分类无标签数据位置感知交叉视图训练注意力机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于图卷积神经网络的属性级情感分析研究及应用

基于图卷积神经网络的属性级情感分析研究及应用

引用

作者：陈昊北京邮电大学

学位级别：硕士

移动互联网平台上的用户生成文本内容蕴含着潜在的重要商业价值以及决策依据,对此进行情感分析和观点挖掘是一项值得深入探索的课题。与传统的文档级、句子级情感分析不同,属性级情感分析(Aspect-Based Sentiment Analysis,ABSA)主要是... 详细信息

移动互联网平台上的用户生成文本内容蕴含着潜在的重要商业价值以及决策依据,对此进行情感分析和观点挖掘是一项值得深入探索的课题。与传统的文档级、句子级情感分析不同,属性级情感分析(Aspect-Based Sentiment Analysis,ABSA)主要是根据实体及其属性进行细粒度的情感和观点挖掘。本文重点聚焦于研究ABSA的两个子任务,属性情感分类和属性情感三元组抽取。本文的主要研究工作如下:1)在属性情感分类任务中,最近的相关研究工作利用图卷积神经网络结合句法依存树捕获属性词与观点词之间的联系,并且取得了可观的实验结果。然而,此类方法的性能提升受到了依存解析的不准确性和在线评论的非正式性与复杂性的影响。为了克服上述挑战,本文提出了双重图卷积神经网络(DualGCN)模型,能够考虑到句子的句法结构与语义关联之间的互补性。具体而言,为了缓解依存解析错误问题,本文设计了一个基于句法的图卷积网络模块;为了捕获句中词之间的语义关联,本文设计了一个基于语义的图卷积网络模块。本文进一步提出了正交正则和差异正则,通过约束语义图中的注意力得分矩阵来更加精确地捕获词之间的语义联系。正交正则鼓励语义图学习语义相关的词,使每个单词的语义相关项重叠较少,而差异正则鼓励语义图学习句法图未捕捉到的语义特征信息,以弥补句法图模块的不足。实验结果表明,DualGCN模型在三个公开的数据集上超越所有基线方法,取得了最佳的性能,验证了本文提出方法的有效性。2)在属性情感三元组抽取任务中,现有的大部分属性情感三元组抽取的研究工作关注于设计新的标注模式,使模型能够端到端的抽取情感三元组。然而,这些方法忽视了该任务中词与词之间的关系。本文提出了一种增强的多通道图卷积神经网络(EMC-GCN)模型以充分利用词之间的关系。首先,为属性情感三元组抽取任务定义十种关系。然后,采用双仿射注意力模块将句中词之间的这些关系转化为邻接张量表示。之后,EMC-GCN通过分别将词和关系邻接张量视为节点和边,将句子转换成一个多通道的图。进一步,本文提出了利用多种语言特征以增强EMC-GCN模型的性能。最后,本文在EMC-GCN模型中设计了一种有效的细化策略用于细化词对的表示,能够在判断词对是否匹配时考虑到属性词和观点词抽取的隐式结果。在基准数据集上的大量实验结果表明了本文提出模型的有效性及鲁棒性,超越了其它一系列最新方法的性能。3)基于属性情感分类和属性情感三元组抽取两个任务的研究,本文设计并实现了属性级情感分析系统。该系统支持多种不同领域模型的选择、支持在线操作和文件数据上传,简单易用,性能鲁棒。

关键词：属性情感分类属性情感三元组抽取图卷积神经网络注意力机制

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：