發(fā)布時(shí)間：2020-03-25 20:09

【摘要】：隨著互聯(lián)網(wǎng)的普及,人們更頻繁的參與到互聯(lián)網(wǎng)中,同時(shí)產(chǎn)生了大量用戶原創(chuàng)內(nèi)容(User Generated Content,UGC)數(shù)據(jù)。隨著計(jì)算機(jī)相關(guān)技術(shù)的發(fā)展,對(duì)于UGC數(shù)據(jù)的情感分類(lèi)展現(xiàn)了較大的商業(yè)價(jià)值和學(xué)術(shù)價(jià)值。作為機(jī)器學(xué)習(xí)算法的一個(gè)重要分支,強(qiáng)化學(xué)習(xí)算法更好地模仿了人類(lèi)的認(rèn)知和學(xué)習(xí)過(guò)程,然而強(qiáng)化學(xué)習(xí)算法在分類(lèi)任務(wù)中的研究較少�；�于此背景,本文針對(duì)強(qiáng)化學(xué)習(xí)算法與文本情感分析任務(wù)進(jìn)行研究。本文分析了多個(gè)UGC數(shù)據(jù)集,實(shí)現(xiàn)一套完整的文本預(yù)處理流程;調(diào)研并使用詞向量和主題模型作為文本表示,以更好的抽取文本特征;充分利用人類(lèi)的先驗(yàn)知識(shí),構(gòu)建情感因子詞典并用于模型的訓(xùn)練和驗(yàn)證。本文提出了一個(gè)新的強(qiáng)化學(xué)習(xí)模型——WS-LSTM。通過(guò)模擬人類(lèi)認(rèn)知方式,將文本情感分析抽象為讀入詞語(yǔ)并獲得情感波動(dòng)的過(guò)程。通過(guò)構(gòu)建動(dòng)作選擇層和動(dòng)作評(píng)價(jià)層結(jié)構(gòu),將強(qiáng)化學(xué)習(xí)算法引入文本情感分類(lèi)任務(wù)。通過(guò)構(gòu)建狀態(tài)層和全連接層,實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)和有監(jiān)督學(xué)習(xí)的統(tǒng)一。利用情感分析結(jié)果作為回報(bào),實(shí)現(xiàn)模型參數(shù)的訓(xùn)練。本文在多個(gè)數(shù)據(jù)集上實(shí)驗(yàn)WS-LSTM并驗(yàn)證了其有效性。針對(duì)模型中詞語(yǔ)的情感動(dòng)作選擇問(wèn)題,本文改進(jìn)了ε-貪心算法,引入情感因子使其更加適用。實(shí)驗(yàn)結(jié)果證明,該算法可以幫助模型選擇符合先驗(yàn)知識(shí)的詞語(yǔ)情感,進(jìn)而實(shí)現(xiàn)模型效果的提升。針對(duì)詞語(yǔ)級(jí)情感分析結(jié)果的評(píng)測(cè)問(wèn)題,本文利用詞語(yǔ)的情感強(qiáng)度,設(shè)計(jì)出一套新的詞語(yǔ)級(jí)情感分析結(jié)果評(píng)價(jià)方案,并且使用模型的實(shí)驗(yàn)結(jié)果對(duì)該方案進(jìn)行了有效性論證。通過(guò)該方案的使用,可以實(shí)現(xiàn)對(duì)詞語(yǔ)級(jí)實(shí)驗(yàn)結(jié)果的效果論證。
【圖文】：

ｗｏｒｅｍｅｎｇ，，用詞向量（ｗｏｒｄ邋ｖｅｃｔｏｒ）進(jìn)行表述。該方法最早由Ｈｉｎｔｏｎ在１９８６年基本思想是通過(guò)訓(xùn)練將每個(gè)詞映射成Ｋ維實(shí)數(shù)向量。其產(chǎn)生的向量具點(diǎn)：維度較低而且固定，一般為幾十到幾百維；區(qū)別于Ｏｎｅ－ｈｏｔ和詞袋向量存在大量的0，詞嵌入中每一維都有一定的取值，取值可正可負(fù)。詞每一維都代表了一個(gè)隱藏的特征，因此可以根據(jù)向量間的距離來(lái)衡量詞似度。逡逑向量的訓(xùn)練方法各有不同，但大部分都是在訓(xùn)練語(yǔ)言模型的同時(shí)得到詞ｅｎｇｉｏ等人使用了一個(gè)三層的神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建語(yǔ)言模型，同時(shí)得到了詞向［２７］。Ｍｉｋｏｌｏｖ則通過(guò)使用循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)降低語(yǔ)言模型參數(shù)個(gè)數(shù)，從而得能提升ｔ２８］。逡逑目前常用的詞向量訓(xùn)練框架Ｗｏｒｄ２ｖｅｃ工具由Ｇｏｏｇｌｅ在２０１３年開(kāi)源，該用深度學(xué)習(xí)的思想，，包含兩種不同的方法：ＣｏｎｔｉｎｕｏｕｓＢａｇｏｆＷｏｒｄｓ（ＣＢＯｋｉｐ－ｇｒａｍ＾其中，ＣＢＯＷ根據(jù)上下文來(lái)預(yù)測(cè)當(dāng)前詞語(yǔ)的概率；相反Ｓｋｉｐ－ｇｒ據(jù)當(dāng)前詞語(yǔ)來(lái)預(yù)測(cè)上下文的概率［２９＼逡逑ＩＮＰＵＴ邋ＰＲＯＪＥＣＴＩＯＮ邋ＯＵＴＰＵＴ邐ＩＮＰＵＴ邋ＰＲＯＪＥＣＴＩＯＮ邋ＯＵＴＰＵＴ逡逑

ＣＢＯＷ邐Ｓｋｉｐ－ｇｒａｍ逡逑圖２－邋１詞向量模型——ＣＢＯＷ和Ｓｋｉｐ－ｇｒａｍ［２９］逡逑（３）主題模型逡逑主題模型最早由Ｂｌｅｉ等人提出，他們同時(shí)提出了潛在狄利克雷分配（Ｌａｔｅｎｔ逡逑Ｄｉｒｉｃｈｌｅｔａｌｌｏｃａｔｉｃｍ，簡(jiǎn)稱(chēng)ＬＤＡ）方法進(jìn)行模型的訓(xùn)練，因此主題模型有時(shí)也被稱(chēng)逡逑作ＬＤＡ［３°］。該方法的思想和詞袋模型類(lèi)似，將文檔看作是詞的集合，忽視了詞逡逑語(yǔ)順序造成的影響。但是在詞袋模型基礎(chǔ)上，ＬＤＡ模型認(rèn)為文檔級(jí)中存在若干逡逑個(gè)潛在的主題，每一個(gè)文檔都包含其中的多個(gè)主題，同時(shí)文檔中的所有詞語(yǔ)都與逡逑每個(gè)主題存在一定的聯(lián)系。逡逑７逡逑
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.1;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董春利;王莉;;基于粒子濾波的強(qiáng)化學(xué)習(xí)算法建模研究[J];無(wú)線互聯(lián)科技;2017年01期

2 董春利;王莉;;基于粒子濾波的直接策略搜索強(qiáng)化學(xué)習(xí)算法研究[J];江蘇科技信息;2017年07期

3 謝光強(qiáng);陳學(xué)松;;一種新的基于蟻群優(yōu)化的模糊強(qiáng)化學(xué)習(xí)算法[J];計(jì)算機(jī)應(yīng)用研究;2011年04期

4 郭城;;面向交通信號(hào)控制的改進(jìn)強(qiáng)化學(xué)習(xí)算法[J];電腦迷;2017年03期

5 黃金紅;周曉陽(yáng);;基于有限理性的期望強(qiáng)化學(xué)習(xí)算法在電力市場(chǎng)中的應(yīng)用[J];應(yīng)用數(shù)學(xué);2007年S1期

6 董春利;王莉;;基于粒子濾波的強(qiáng)化學(xué)習(xí)算法研究[J];無(wú)線互聯(lián)科技;2016年15期

7 黃浩暉;楊宛璐;陳瑋;;基于性能勢(shì)的A*平均獎(jiǎng)賞強(qiáng)化學(xué)習(xí)算法研究[J];計(jì)算機(jī)仿真;2014年07期

8 鄭宇;羅四維;呂子昂;;基于模型的層次化強(qiáng)化學(xué)習(xí)算法[J];北京交通大學(xué)學(xué)報(bào);2006年05期

9 李春貴;多步截?cái)鄡?yōu)先掃描強(qiáng)化學(xué)習(xí)算法[J];計(jì)算機(jī)工程;2005年11期

10 楊旭東;劉全;李瑾;;一種基于資格跡的并行強(qiáng)化學(xué)習(xí)算法[J];蘇州大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)會(huì)議論文 前3條

1 陳宗海;段家慶;任皴;羅楊宇;李成榮;;針對(duì)機(jī)器人覓食任務(wù)的強(qiáng)化學(xué)習(xí)算法及其仿真研究[A];'2008系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

2 孟祥萍;苑全德;皮玉珍;;基于量子理論的多Agent系統(tǒng)強(qiáng)化學(xué)習(xí)研究[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2006年

3 任q

本文編號(hào)：2600383