维度型文本情感分析技术

图书标准信息

• 作者 王津、张学杰 著
• 出版社 科学出版社
• 出版时间 2020-03
• 版次 1
• ISBN 9787030637208
• 定价 99.00元
• 装帧 平装
• 开本 16开
• 页数 137页

【内容简介】

这是一本面向中文读者的文本情感分析研究专著，区别现有使用离散类别型方法的研究，《维度型文本情感分析技术》提出一种基于连续维度空间，针对不同语言层级的文本情感分析新方法。为了让读者对所提出的方法都有所了解，作者试图尽可能少地使用数学专业知识。然而，对于统计、概率、线性代数、优化，甚至是机器学习和深度学习的基本知识似乎都无法避免。

【目录】

目录
1 引言 1
1.1 连续维度型文本情感分析 1
1.2 文本情感分析的层次划分 3
1.2.1 词汇层次(word-level) 3
1.2.2 短语层次(phrase-level) 4
1.2.3 句子层次(sentence-level) 4
1.2.4 文本层次(text-level) 5
1.2.5 属性层次(aspect-level) 5
1.3 研究现状及存在问题 6
1.3.1 文化差异 6
1.3.2 维度型文本情感分析基础性研究积累较为薄弱 7
1.3.3 现有连续维度型情感词典无法完全覆盖所有词汇 7
1.3.4 语义相似不等于情感相似 7
1.3.5 现有连续维度型文本情感分析准确率依然较低 8
1.3.6 离散类别型情感分析并不适用于连续维度型情感分析 8
1.3.7 现有深度神经网络模型并未考虑文本层次各句子间的逻辑表达关系 8
1.4 本书主要内容 9
1.4.1 连续维度型中文情感词汇和情感语料库的人工标注 9
1.4.2 基于局部加权线性回归的跨语言词汇情感标记方法 9
1.4.3 基于社区加权图模型的同语种词汇情感标记方法 10
1.4.4 基于修饰词权重学习的短语情感强度预测方法 10
1.4.5 基于区域划分CNN-LSTM模型的文本情感分析方法 11
1.4.6 基于堆叠残差LSTM网络的文本情感分析方法 11
1.4.7 基于情感信息的词嵌入修正模型 12
1.5 本书的结构安排 12
2 文本情感分析的相关研究工作 14
2.1 词汇层次的VA值标记方法研究 14
2.1.1 自我评定模型 14
2.1.2 基于回归模型的情感词汇标记方法 16
2.1.3 基于图模型的情感词汇标记方法 17
2.2 短语层次的情感强度分析方法 18
2.2.1 基于规则的修饰词短语情感强度分析方法 19
2.2.2 基于学习的修饰词短语情感强度分析方法 20
2.3 句子或文本层次的Valence-Arousal情感分析研究 21
2.3.1 基于情感词典的文本情感分析方法 21
2.3.2 基于回归模型的文本情感分析方法 22
2.4 语义嵌入技术 23
2.4.1 词嵌入技术 23
2.4.2 基于情感信息的词嵌入技术 25
2.4.3 句嵌入技术 26
2.5 面向离散类别型文本情感分析方法的深度神经网络模型 27
2.5.1 多层感知器 27
2.5.2 卷积神经网络 28
2.5.3 递归神经网络 29
2.5.4 长短期记忆 30
2.5.5 堆叠神经网络模型 32
2.6 语料资源 32
2.6.1 语料库与情感词典 32
2.6.2 中文情感词汇和中文情感文本语料库 34
2.7 本章小结 36
3 基于局部加权线性回归的跨语言词汇情感标记方法 38
3.1 研究背景 38
3.2 局部加权线性回归模型 39
3.2.1 特征提取 40
3.2.2 模型设计 41
3.3 实验评估 42
3.3.1 实验语料库 42
3.3.2 数值评价指标 43
3.3.3 参数选取 44
3.3.4 实例分析 48
3.4 本章小结 48
4 基于社区加权图模型的同语种词汇情感标记方法 49
4.1 研究动机 49
4.2 基于社区聚类的加权图模型 51
4.2.1 语义相似度计算 52
4.2.2 加权图模型 52
4.2.3 基于社区聚类的邻接词汇选取 54
4.3 实验评估 57
4.3.1 实验语料库 57
4.3.2 数值评价指标 57
4.3.3 加权图模型的评估实验 57
4.3.4 邻接词汇选取的对比实验 61
4.4 本章小结 64
5 基于修饰词自动权重学习的短语情感分析方法 66
5.1 问题描述 66
5.2 基于神经网络的修饰词自动权重学习模型 68
5.2.1 实词的情感强度预测 68
5.2.2 修饰词权重学习 70
5.2.3 短语情感强度预测 72
5.3 实验分析 73
5.3.1 实词情感强度预测实验分析 74
5.3.2 修饰词短语情感强度预测实验分析 76
5.4 本章小结 80
6 基于区域划分CNN-LSTM模型的文本情感分析方法 82
6.1 研究动机 82
6.2 基于区域划分的CNN-LSTM模型 84
6.2.1 卷积层 84
6.2.2 最大池化层 85
6.2.3 序列整合层 85
6.2.4 线性解码器 86
6.3 对比实验评估 86
6.3.1 实验语料库 86
6.3.2 数值评价指标 87
6.3.3 实验方法 87
6.3.4 对比实验结果 88
6.4 本章小结 91
7 基于堆叠残差LSTM网络的文本情感分析方法 92
7.1 问题描述 92
7.2 堆叠残差长短期记忆模型 94
7.2.1 残差连接 94
7.2.2 堆叠LSTM结构 96
7.2.3 线性解码器 96
7.3 对比实验结果 97
7.3.1 数据集 97
7.3.2 评价指标 98
7.3.3 对比实验方法 98
7.3.4 残差连接评估 99
7.3.5 情感强度预测的对比结果 99
7.3.6 训练时间分析 103
7.4 本章小结 105
8 基于情感信息的词嵌入修正模型 106
8.1 研究背景 106
8.2 词嵌入修正模型 108
8.2.1 最近邻排序 109
8.2.2 词向量修正模型 110
8.3 实验评估 113
8.3.1 实验数据集 113
8.3.2 分类器 114
8.3.3 评价指标 115
8.3.4 实验参数设置 115
8.3.5 实验结果对比 116
8.4 本章小结 120
9 总结 122
9.1 全书回顾 122
9.2 未来工作 126
参考文献 128