隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,人們越來越熱衷于在網(wǎng)上發(fā)表自己對某一事件或者事物的看法,這些評論背后隱藏著巨大的商業(yè)價值,所以近年來文本情感分析越來越引起人們的關(guān)注。但是一些語言較其他語言起步晚,缺乏高質(zhì)量的語料資源,人工標(biāo)注又需要投入巨大的人力物力資源,這在一定程度上阻礙了其文本情感分類技術(shù)的研究�？缯Z言文本情感分類任務(wù)就是利用語料資源豐富的一種語言,輔助另一種語料資源匱乏的語言實現(xiàn)文本情感分類。為了進(jìn)一步提高跨語言文本情感的分類性能,本文做了多方面的融合和改進(jìn),提出了以下跨語言文本情感分類方法:(1)針對傳統(tǒng)的單語言詞向量表示方法不能很好地進(jìn)行雙語交互學(xué)習(xí)這一問題,提出了一種對抗長短時記憶網(wǎng)絡(luò)的跨語言文本情感分類方法。該方法設(shè)置源語言和目標(biāo)語言獨立的特征提取網(wǎng)絡(luò)以及雙語共享特征提取網(wǎng)絡(luò),建立源語言和目標(biāo)語言的聯(lián)系,減少雙語之間的語義鴻溝。同時,在共享特征提取網(wǎng)絡(luò)中,設(shè)置語言分類器進(jìn)行對抗訓(xùn)練,使分類器盡可能分不清特征是來自源語言還是目標(biāo)語言,以獲得雙語的不變特征,從而使雙語之間達(dá)到更好的知識遷移效果。相比較之前的研究方法,這種方法既保留了雙語各自獨立的特征,又可以獲取到雙語的不變特征。在N...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1支持向量與間隔

支持向量機(jī)的應(yīng)用很廣泛,應(yīng)用的領(lǐng)域不同,優(yōu)化的方法也不盡相同。根據(jù)實際所研究的內(nèi)容,將該方法與實際任務(wù)結(jié)合,許多學(xué)者還在不斷的進(jìn)行著相應(yīng)的探索[51][52]。2.2.2.2樸素貝葉斯

圖2.2 LSTM單元結(jié)構(gòu)

為了應(yīng)對這個問題,研究人員提出了許多解決辦法[66][67]。而長短時記憶網(wǎng)絡(luò)就是其中比較著名且應(yīng)用最廣泛的一種,長短時記憶算法最早由Hochreiter于1997年提出[68]。LSTM通過增加門機(jī)制以及記憶單元,使得自循環(huán)的權(quán)重在訓(xùn)練期間不斷變化,從而有效地解決了上述問題。L....

圖3.1 Encoder-Decoder模型結(jié)構(gòu)圖

若給定源語句source=(x1,x2,...,xm),則編碼器Encoder會對源語句進(jìn)行編碼。然后,通過非線性變化轉(zhuǎn)化為中間語義表示C=F(x1,x2,...,xm)。解碼器Decoder根據(jù)源語句的中間語義表示C和之前已經(jīng)生成的歷史信息y1,y2,...yi-1生成i時刻要....

圖3.2加入Attention機(jī)制的Encoder-Decoder模型結(jié)構(gòu)圖

其中,表示輸入對輸出的概率,其代表的信息越重要,分配的權(quán)重相應(yīng)的也會越大。這種對輸入進(jìn)行選擇性的學(xué)習(xí)的做法,避免了大量繁復(fù)盲目的學(xué)習(xí),提高了模型的學(xué)習(xí)效率和準(zhǔn)確率。3.2.2跨語言文本特征提取網(wǎng)絡(luò)

本文編號：4018653