收藏本站
《华东师范大学》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

目标依赖的细粒度文本情感分析研究及应用

姜梦晓  
【摘要】:传统文本情感分析,通常从文本(可以是文档、段落或句子)整体出发,判断其情感极性或情感强度,是一种粗粒度的情感分析,忽视了由不同目标(情感附着物)所造成的情感极性偏差。因此,本文研究目标依赖的细粒度文本情感分析,旨在分析文本中特定目标的情感。例如,在产品评论中,该目标可以是笔记本电脑(产品)的各个属性,如“价格”、“电池”或“性能”等。本文第一部分工作采用传统机器学习方法,针对不同领域中不同类型的目标进行细粒度的情感分析。具体地,本文的第一个工作是对笔记本电脑和餐厅的产品评论文本,以产品的实体属性为目标,采用自然语言处理和机器学习方法,构建实体属性依赖的细粒度情感分类模型。该工作应用于2016年国际标准语义评测SemEval基于属性的情感分析子任务中,获得了第三名的成绩,相关论文发表在2016年的SemEval会议。本文的第二个工作是对金融领域的推特和新闻数据,以公司股票为目标,采用精心设计的特征结合机器学习方法,构建股票依赖的细粒度情感强度预测模型。该模型在2017年SemEval的金融领域细粒度情感分析子任务中,取得了第一名的成绩,相关论文发表在2017年SemEval会议。采用传统自然语言处理和机器学习方法具有很强的领域依赖性,需要专家领域知识精心设计抽取特征,系统迁移性差。因此,本文第二部分工作提出一个新的基于门和关注机制的双向长短期记忆神经网络模型,解决多领域目标依赖的细粒度文本情感分析问题,该模型应用于产品评论和金融领域,在两个领域的性能均优于传统机器学习方法。这一工作发表在2017年的KSEM(CCF-C类)会议。本文针对多个领域(笔记本电脑、餐厅、金融股票)不同来源(产品评论、推特、新闻)的评论数据集,从不同的粒度(粗粒度情感极性、细粒度情感强度)采用多种方法(机器学习、深度学习)进行大量的实验。实验结果表明,本文提出的机器学习和深度学习模型,能有效解决目标依赖的细粒度文本情感分析问题。
【学位授予单位】:华东师范大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:TP391.1

【参考文献】
中国期刊全文数据库 前2条
1 王英林;;Stock Market Forecasting with Financial Micro-Blog Based on Sentiment and Time Series Analysis[J];Journal of Shanghai Jiaotong University(Science);2017年02期
2 杨伟杰;马博渊;刘雯;;基于意见目标句抽取的中文股评情感分析方法[J];计算机仿真;2014年03期
【共引文献】
中国期刊全文数据库 前1条
1 张冬雯;崔志超;许云峰;;电子商务产品评论多级情感分析的研究构架[J];网络安全技术与应用;2015年04期
【二级参考文献】
中国期刊全文数据库 前4条
1 莫倩;张渝杰;胡航丽;张华平;;一种混合的股评观点倾向性分析方法[J];计算机工程与应用;2011年19期
2 胡航丽;莫倩;;利用篇章结构改进股评观点分类的研究[J];小型微型计算机系统;2009年05期
3 徐琳宏;林鸿飞;杨志豪;;基于语义理解的文本倾向性识别机制[J];中文信息学报;2007年01期
4 陈文亮,朱慕华,朱靖波,姚天顺;基于Bootstrapping的文本分类模型[J];中文信息学报;2005年02期
【相似文献】
中国期刊全文数据库 前10条
1 王宁;钞柯;罗嫔;;实现细粒度访问控制的元模型研究[J];大连理工大学学报;2012年03期
2 孙伟;李艳灵;周文勇;;细粒度基于传递功能的约束委托模型[J];信阳师范学院学报(自然科学版);2013年03期
3 夏汛;陈玲;;基于拦截器的细粒度权限设计[J];福建电脑;2012年11期
4 欧阳纯萍;阳小华;雷龙艳;徐强;余颖;刘志明;;多策略中文微博细粒度情绪分析研究[J];北京大学学报(自然科学版);2014年01期
5 史大伟;袁天伟;;一种粗细粒度结合的动态污点分析方法[J];计算机工程;2014年03期
6 原子;于莉莉;刘超;;引入缺陷的细粒度软件变更识别方法[J];北京航空航天大学学报;2014年09期
7 戢彦泓,郭常杰,钟玉琢,孙立峰;基于细粒度可扩展编码的多源视频流化方案[J];清华大学学报(自然科学版);2004年04期
8 涂登彪;谭光明;孙凝晖;;无锁同步的细粒度并行介度中心算法[J];软件学报;2011年05期
9 张宇轩;魏廷存;樊晓桠;张萌;;面向流体系的细粒度异步访存调度[J];计算机应用研究;2012年03期
10 王宽;;基于细粒度调整的同步播放控制算法[J];山西电子技术;2008年05期
中国重要会议论文全文数据库 前10条
1 叶蕴芳;杨榆;罗鑫;徐国爱;;Appfuse系统中细粒度权限控制的研究与实现[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集(上册)[C];2008年
2 江伟玉;高能;刘泽艺;林雪燕;;一种云计算中的多重身份认证与授权方案[A];第27次全国计算机安全学术交流会论文集[C];2012年
3 郭磊;唐玉华;周杰;董亚卓;;基于FPGA的Cholesky分解细粒度并行结构与实现[A];2010年第16届全国信息存储技术大会(IST2010)论文集[C];2010年
4 李俊青;谢圣献;刘广亮;陈晨;;P2P网络基于蚁群优化的动态细粒度访问控制框架[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年
5 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集(上册)[C];2001年
6 王昊;李银波;纪志梁;;利用机器学习方法预测严重药物不良反应-呼吸困难[A];中国化学会第28届学术年会第13分会场摘要集[C];2012年
7 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年
8 周晴杰;徐立鸿;吴启迪;;机器学习串级结构的初步探讨[A];1998年中国控制会议论文集[C];1998年
9 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集(第2卷)[C];2005年
10 徐礼胜;李乃民;王宽全;张冬雨;耿斌;姜晓睿;陈超海;罗贵存;;机器学习在中医计算机诊断识别系统中的应用思考[A];第一届全国中西医结合诊断学术会议论文选集[C];2006年
中国重要报纸全文数据库 前9条
1 赵晓涛;巡展中的三大热门[N];网络世界;2007年
2 黎骊/文 [美] Tom M.Mitchell 著;机器学习与智能化社会[N];中国邮政报;2003年
3 IBM大数据专家 James Kobielus 范范 编译;机器学习已成为大数据基石[N];网络世界;2014年
4 本报记者 房琳琳;合久必分:分布式“机器学习”应运而生[N];科技日报;2014年
5 雨辰;机器学习类图书为什么火爆[N];中华读书报;2014年
6 乐天编译;编织一张更好的Web[N];计算机世界;2007年
7 百度公司技术副总监 多媒体部负责人 余凯;深度学习与多媒体搜索技术演进[N];中国信息化周报;2013年
8 本报记者 余建斌;机器学习与互联网搜索[N];人民日报;2011年
9 本报记者 张晔通讯员 李玮;周志华:永不墨守成规[N];科技日报;2008年
中国博士学位论文全文数据库 前10条
1 付兴兵;基于属性基加密的细粒度访问控制机制研究[D];电子科技大学;2016年
2 时杰;关系数据库细粒度访问控制研究[D];华中科技大学;2010年
3 朱倩;面向自由文本的细粒度关系抽取的关键技术研究[D];江苏大学;2011年
4 余慜;基于Simulink模型的细粒度多线程技术研究[D];浙江大学;2014年
5 董春茹;机器学习中的权重学习与差分演化[D];华南理工大学;2015年
6 姚明臣;机器学习和神经网络学习中的若干问题研究[D];大连理工大学;2016年
7 Maxim Pecionchin;[D];对外经济贸易大学;2016年
8 杜宇;基于深度机器学习的体态与手势感知计算关键技术研究[D];浙江大学;2017年
9 钟锦红;群智学习若干问题研究[D];中国科学技术大学;2017年
10 赵东;基于群智能优化的机器学习方法研究及应用[D];吉林大学;2017年
中国硕士学位论文全文数据库 前10条
1 姜梦晓;目标依赖的细粒度文本情感分析研究及应用[D];华东师范大学;2018年
2 赵黎光;基于依存句法的句子级细粒度情感计算[D];华南理工大学;2015年
3 李星宇;一种细粒度Cloud-RAN框架与关键技术研究[D];电子科技大学;2014年
4 郦丽珍;基于Open vSwitch虚拟网络的细粒度访问控制[D];复旦大学;2013年
5 姚亮;数据访问控制中基于中间代理的用户撤销方法[D];西安电子科技大学;2014年
6 占文平;面向产品评论的情感分析技术研究[D];浙江工商大学;2015年
7 廖纯;基于句法和语义的话题细粒度情感分析的研究[D];北京理工大学;2016年
8 李毅;属性层级观点挖掘技术的研究与应用[D];石家庄铁道大学;2016年
9 周志华;聊天系统文本情感细粒度分类研究与应用[D];西南交通大学;2015年
10 康海蒙;基于细粒度监控的Spark优化研究[D];哈尔滨工业大学;2016年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026