检索结果-南通市图书馆

山西大学学报(自然科学版) 2024年第3期47卷 494-505页

作者：管超峰白宇周贤雷沈阳航空航天大学计算机学院

小样本多标签方面类别检测是细粒度情感分析的研究热点。在基于原型网络的方法中，训练数据缺乏以及与当前方面类别无关的噪音词严重影响了采用注意力机制生成原型向量的质量。针对这一问题，本文提出了基于提示增强原型网络模型，首先... 详细信息

小样本多标签方面类别检测是细粒度情感分析的研究热点。在基于原型网络的方法中，训练数据缺乏以及与当前方面类别无关的噪音词严重影响了采用注意力机制生成原型向量的质量。针对这一问题，本文提出了基于提示增强原型网络模型，首先，利用提示学习对齐预训练任务与下游任务，同时借助提示信息指导模型进行句子表示，从而学习到更具有辨别性的向量，有效地促使类别信息易区分，并采用余弦相似度计算损失，降低高维向量空间的影响；其次，设计了减轻噪音对句子向量表示干扰的优化模型，促进相同方面类别的句子在嵌入空间中聚集。实验结果表明：该模型在三个公开数据集的F1值比当前最优（state-of-the-art, SOTA）模型分别提升了4.35%,8.62%,8.39%，可以有效的检测方面类别。

关键词：方面类别检测原型网络提示学习多标签分类元学习

来源：博看期刊

同方期刊数据库

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

基于层级软提示交互融合的少样本事件方面类别检测方法

引用

计算机工程 2024年

作者：艾传鲜郭军军尹兆良昆明理工大学信息工程与自动化学院昆明理工大学云南省人工智能重点实验室国家计算机网络应急技术处理协调中心云南分中心

事件方面类别检测旨在识别出给定事件文本中的方面类别。相关研究可以辅助获取不同领域和事件文本中的关键信息，特别是在社交媒体舆情研究中具有实用价值。在社交媒体舆情事件发展前期，事件文本标记数据稀缺，如何基于少量标记数据实... 详细信息

事件方面类别检测旨在识别出给定事件文本中的方面类别。相关研究可以辅助获取不同领域和事件文本中的关键信息，特别是在社交媒体舆情研究中具有实用价值。在社交媒体舆情事件发展前期，事件文本标记数据稀缺，如何基于少量标记数据实现准确的事件方面检测是一个亟待解决的问题。论文提出一种基于预训练模型的多层级软提示交互融合少样本事件方面类别检测方法，基于预训练构建多层次的软提示模板，分别与预训练模型进行层级语义表征和交互融合，并自适应的融合多层次的提示表征，从而提升少样本事件方面类别检测的效果。论文在自构建中文社交媒体少样本数据集和英文数据集上进行实验，实验结果证明论文所提方法明显优于其他基线方法，进一步的消融及可视化证明了论文所提多层次提示交互融合模块的有效性。

关键词：少样本提示学习软提示方面类别检测多层次提示交互融合

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

非均衡视角下基于数据重采样与文本生成的方面类别检测研究

非均衡视角下基于数据重采样与文本生成的方面类别检测研究

引用

作者：延志鹤山西财经大学

学位级别：硕士

在自然语言处理领域(Natural language processing,NLP)的方面级情感分析(Aspect based sentiment analysis,ABSA)子任务-方面类别检测中,处理文本数据中的方面级别类别不平衡一直是具有挑战性的研究课题。由于目前建立的检测模型往往... 详细信息

在自然语言处理领域(Natural language processing,NLP)的方面级情感分析(Aspect based sentiment analysis,ABSA)子任务-方面类别检测中,处理文本数据中的方面级别类别不平衡一直是具有挑战性的研究课题。由于目前建立的检测模型往往更侧重于多数类的特征,此现象可能会导致难以识别少数类别,并忽略文本数据中包含的更丰富的情感或类别信息。因此,在评论文本方面类别检测任务中,针对少数类别的甄别问题通常是更为重要的任务。传统的不平衡分类算法在数据类别倾斜程度过大时模型可能失效,使其难以应用于现实生活中的不平衡文本类别检测场景。因此,本文基于数据类别非均衡的视角,提出Select-SMOTE算法(Select-Synthetic minority oversampling technique)与混合增强算法的双重策略以解决文本数据集中的方面类别数据倾斜问题。本文具体工作内容如下:(1)基于数据重采样技术,本文提出了Select-SMOTE算法的Light GBM(Light gradient boosting machine)非均衡方面类别检测模型。其中,Select-SMOTE的算法用于解决传统SMOTE算法样本生成过于随机且可能产生噪声的问题。该算法对方面类别样本进行划分,并在进行少数类样本插值生成时,规定两个样本点不同时为边界样本时才允许进行插值。此外,算法采用类间边界样本剔除的方法,以保证多数类和少数类之间的边界更加清晰。最后,输出处理后的均衡数据集,将其输入经过权重调整、超参数优化等微调操作的Light GBM模型,以执行在线评论方面类别检测任务。实验结果表明,本文提出的算法优于基线非均衡方面类别检测算法,并在多数据集上展现出良好的泛化能力。(2)基于文本生成技术,本文提出了混合增强的Bert(Bidirectional encoder representations from transformers)非均衡方面类别检测模型。该模型通过构建均衡公式进而确认数据集的失衡程度,并根据生成倍率采用XLNet(Extra-long network)文本生成和噪声扰动相结合的方式生成类别均衡数据集。随后,将生成的数据集输入Bert预训练模型,并进行参数调整,以进行提高方面类别检测模型的性能。实验结果表明,所提出的模型在准确性方面相对于其他深度学习方面类别检测模型具有显著优势,同时通过文本生成混合增强策略,能够有效解决数据集不平衡分类问题。(3)基于本文提出的Select-SMOTE、文本混合增强的非均衡学习技术,设计并实现了一个面向非均衡文本数据集的方面类别检测系统。该系统具有多项关键功能,可有效提升方面类别检测性能及实用性。首先,该系统能够让用户直观地了解输入文本数据集的方面类别不平衡程度。其次,针对数据不平衡问题,该系统可以自动对文本数据集进行方面类别平衡操作,并显示平衡后的数据类别程度图供用户查看。最后,系统将数据均衡操作与文本方面类别检测功能进行了整合,使得系统易于操作、用户友好。

关键词：非均衡学习方面类别检测数据重采样数据生成系统应用

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

融合商品评论方面情感分析的智慧旅游平台构建

融合商品评论方面情感分析的智慧旅游平台构建

引用

作者：代晶蕊桂林电子科技大学

学位级别：硕士

随着互联网技术与旅游的融合,游客在购买旅游商品的过程中往往会浏览商品的评论来决定是否购买。这些真实的评论中往往包含着游客的购物体验,商品质量和售后服务等信息。方面情感分析技术获取评论句子中的方面情感极性,帮助游客快速的... 详细信息

随着互联网技术与旅游的融合,游客在购买旅游商品的过程中往往会浏览商品的评论来决定是否购买。这些真实的评论中往往包含着游客的购物体验,商品质量和售后服务等信息。方面情感分析技术获取评论句子中的方面情感极性,帮助游客快速的了解商品的优缺点,并协助商家改进服务。准确的识别句子中的方面,深层次挖掘句子中词语间的依赖关系,是方面情感分析的关键步骤。本文将深度学习模型与注意力机制相结合对方面情感分析下的两个子任务进行了研究,并构建了智慧旅游平台及实现了商品评论分析功能。具体内容如下:（1）提出基于注意力机制的方面类别检测方法。首先使用BERT预训练模型准确的将蕴含语义关系的中文评论文本编码成字向量,然后使用深度学习模型Bi LSTM对隐藏特征深度抽取,最后使用注意力机制利用完整语义关系防止重要信息的丢失,在Sem Eval 2016上的数据集上实验模型准确率和F1值分别达到了86.89%和85.96%。（2）提出基于交互注意力机制的方面类别情感分析方法。首先使用预训练模型Ro BERTa将方面类别和上下文信息分别转换成向量表示后,然后利用Bi GRU模型抽取方面类别和上下文提取隐藏的文本特征后,最后使用交互注意力机制分别计算方面类别对评论文本的影响和评论文本对方面类别的影响进行连接后输入到全连接层进行情感分类。在Sem Eval 2016上的数据集上实验准确率和F1值达到了90.65%和89.71%。（3）构建了一个智慧旅游平台,并实现商品评论分析功能。智慧旅游平台包括了景区、优选、美食、路线等模块,针对优选模块的商品评论采用提出的算法进行方面类别情感分析来进一步提高游客体验,并验证了模型的有效性。综上所述,本文主要针对商品评论进行了方面类别检测和方面类别情感分析两个方面的研究,构建了智慧旅游平台及实现了商品评论分析功能。对平台中的商品评论判断了其方面类别情感极性,进一步验证了模型的性能。

关键词：商品评论深度学习注意力机制方面类别检测方面类别情感分析

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

面向评论的方面级情感分析方法研究

面向评论的方面级情感分析方法研究

引用

作者：李军重庆大学

学位级别：硕士

随着互联网的迅速发展和普及,越来越多的人选择通过网络购买商品,于是这些网络购物平台积累了大量的商品评论。这些评论有助于消费者选购到符合需求的商品,也有助于商家改进产品。阅读并分析这些评论需要耗费大量的时间和精力,所以研究... 详细信息

随着互联网的迅速发展和普及,越来越多的人选择通过网络购买商品,于是这些网络购物平台积累了大量的商品评论。这些评论有助于消费者选购到符合需求的商品,也有助于商家改进产品。阅读并分析这些评论需要耗费大量的时间和精力,所以研究人员提出了情感分析(sentiment analysis)技术来解决这些问题。方面级(aspect-level)情感分析是情感分析技术中的一种,其目的是分析句子中给定方面的情感极性特征。目前基于注意力机制的方法被广泛应用在这个任务上并取得了不错的效果,但是这些方法都是针对单个句子的,很少有方法考虑了文档中多个句子间的情感特征。事实上,同一文档中,句子间的情感特征是有一定规律的,用户针对同一对象的评论情感特征往往具有一致性。另外,目前的方面级情感分析方法普遍是基于单任务的网络结构,单任务结构效率较低且多个单任务叠加会导致误差的积累。针对以上问题,本文做了以下工作。首先,本文提出了一个层次图注意力网络来解决方面级情感分析问题,模型包含两个层次的图注意力网络。句子级别的图注意力网络基于重构后的语法依存树,用于学习句子中的情感特征,文档级别的图注意力网络用于获取句子间的情感特征。重构后的语法依存树将方面词设置为根节点,重新设置依存关系类型,图注意力网络在学习和传递特征时将单词间的依存关系类型也纳入考虑。文档级图注意力网络将相同方面类别的句子进行连接,使用图注意力网络进行信息聚合和传递,学习句子间的情感特征。因此,最终用来进行情感极性预测的句子向量包含两个级别的情感特征。实验表明,基于层次图注意力网络的方面实体情感分析方法在众多基线方法中取得了领先的性能,进一步的消融实验证明了句子间的情感特征对任务是有帮助的。其次,由于文档级图注意力网络需要使用到句子的方面类别特征,但很多数据集并没有标注方面类别特征,为了自动获取方面类别,本文提出了一个基于多任务学习的方面实体情感分析算法。将方面类别检测任务和方面实体情感分析任务相结合,在完成方面类别检测任务后,将结果作为方面实体情感分析任务的输入,利用多任务学习的优势,同时得到两个子任务的结果。实验结果显示,基于多任务学习的方面实体情感分析算法在实验中领先于众多基线方法,证明了多任务学习的方法能够使多个相关子任务共享参数和特征,相互补充,提升彼此表现。

关键词：方面级情感分析方面类别检测多任务学习图注意力网络

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

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

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：