检索结果-内蒙古大学图书馆

作者：柳文文西南交通大学

学位级别：硕士

随着自然语言处理领域相关技术的飞速发展,细粒度情感分析的研究日益完善。在句子情感解析时,要分析出句子中多个方面项和观点项的具体含义,才能得到整个句子的情感依赖。基于以上背景,本文针对细粒度情感分析领域中的情感三元组算法进... 详细信息

随着自然语言处理领域相关技术的飞速发展,细粒度情感分析的研究日益完善。在句子情感解析时,要分析出句子中多个方面项和观点项的具体含义,才能得到整个句子的情感依赖。基于以上背景,本文针对细粒度情感分析领域中的情感三元组算法进行研究,即(方面项,观点项,情感依赖),并取得了突破性的研究成果。以下是三个全面的工作内容。 1.针对句子中存在方面和观点重叠项、三个子任务之间交互不足和误差传播等问题,提出了基于共享句子向量和多任务学习框架的情感三元组抽取模型(Sharing Sentence Vectors For Opinion Triplet Extraction,OTE-SSV)。第一,模型中提出了一种基于方面标签、观点标签和词级情感依赖的句子向量共享方法,增强了模型对句子中重叠项的识别能力和三元组提取要素之间的交互能力。第二,模型中引入两层双向门控循环单元(GRU)网络遍历句子向量,精确捕捉上下文的语义特征,减少了无用信息的干扰。第三,模型中提出一个新的多任务学习框架,并利用新的Biaffine评分器解析单词级的情感依赖,该框架缓解了子任务误差传播问题,充分实现三个子任务的信息交互。经过大量实验验证,OTE-SSV相比一系列先进的管道方法F1值提升约2%; 2.针对上下文语义表征抽取不足、管道方法存在严重的误差传播和三个子任务之间交互不足等问题,提出了基于网格标记方案和多头注意力的情感三元组抽取模型(Grid Tagging Scheme With Multi-head Attention And Bi GRU,MGTS-Bi GRU)。第一,模型中引入BERT词嵌入方法,再结合双向门控循环单元(GRU)网络和多头注意力机制遍历句子向量,增强了特征学习。第二,模型中提出新的端到端网格标记方案,解决了管道方法中误差传播的问题。第三,在网格标记方案中提出新的迭代预测思路能深层次地获取上下文本表征的潜藏信息,增强了三个子任务之间的信息交互。经过大量实验验证,MGTS-Bi GRU相比一系列先进的管道和端到端方法F1值提升约为1.5%; 3.设计并开发了面向酒店评论的情感分析系统。采取公开的中文数据集重新训练简化版MGTS-Bi GRU模型作为系统的情感分析算法模块核心。采用新颖的vue3前端技术和流行的Spring Boot框架后端技术,数据库采取My SQL关系型数据库。基于以上技术,设计并研发可视化的酒店评论的情感分析系统,同时实现酒店评论数据的手动输入和文件上传、数据的情感解析和历史数据分析等功能。

关键词：情感三元组抽取多任务框架网格标记方案多头注意力情感分析系统

来源：评论

学校读者我要写书评

暂无评论

多特征交互的方面情感三元组提取

引用

计算机科学与探索 2024年第4期18卷 1057-1067页

作者：陈林颖刘建华郑智雄林杰徐戈孙水华福建理工大学计算机科学与数学学院福州350118 福建省大数据挖掘与应用技术重点实验室福州350118 闽江学院计算机与控制工程学院福州350108

方面情感三元组提取是方面级情感分析的子任务之一,旨在提取句子中的方面词、其对应的意见词和情感极性。先前研究集中于设计一种新范式以端到端的方式完成三元组提取任务。然而,这些方法忽略外部知识在模型中的作用,没有充分挖掘和利... 详细信息

方面情感三元组提取是方面级情感分析的子任务之一,旨在提取句子中的方面词、其对应的意见词和情感极性。先前研究集中于设计一种新范式以端到端的方式完成三元组提取任务。然而,这些方法忽略外部知识在模型中的作用,没有充分挖掘和利用语义信息、词性信息以及局部上下文信息。针对上述问题,提出了多特征交互的方面情感三元组提取(MFI-ASTE)模型。首先,该模型通过BERT预训练模型学习句子中的上下文语义特征信息,并使用自注意力机制加强语义特征;其次,使语义特征与所提取到的词性特征交互,二者相互学习,加强词性的组合能力与语义信息;再次,使用多个不同窗口的卷积神经网络提取每个单词的多重局部上下文特征并使用多分门控机制筛选这些多重局部特征;然后,采用双线性层融合提取到的三类外部知识特征;最后,利用双仿射注意力机制预测网格标记并通过特定的解码方案解码三元组。实验结果表明,该模型在四个数据集上的F1值比现有的主流模型分别提升了6.83%、5.60%、0.54%和1.22%。

关键词：方面情感三元组提取自注意力机制卷积神经网络网格标记方案双仿射注意力机制

来源：评论

学校读者我要写书评

暂无评论

融合方面语义和网格标记的多语言意见元组抽取

引用

计算机科学 2024年第4期51卷 324-333页

作者：古文霞早克热·卡德尔杨乾艾山·吾买尔新疆大学信息科学与工程学院乌鲁木齐830046 新疆多语种信息技术重点实验室乌鲁木齐830046

面向方面的细粒度意见抽取(Aspect-oriented Fine-grained Opinion Extraction,AFOE)任务的目的是以意见对的形式抽取文本评论中的方面和意见词或者再抽取情感极性,形成意见三元组。以往的研究通常以管道方式抽取意见元素,容易出现错误... 详细信息

面向方面的细粒度意见抽取(Aspect-oriented Fine-grained Opinion Extraction,AFOE)任务的目的是以意见对的形式抽取文本评论中的方面和意见词或者再抽取情感极性,形成意见三元组。以往的研究通常以管道方式抽取意见元素,容易出现错误传播的问题,而且大多数只关注方面词和意见词的单个子任务抽取,忽略了不同意见元素之间的相互影响和指示信息,导致意见挖掘任务不完整。此外,面向中文的意见元素抽取任务的研究较少。针对以上问题,文中提出了融合方面语义和网格标记的多语言意见元组抽取模型。首先,使用向内LSTM(Inward-LSTM)和向外LSTM(Outward-LSTM)编码方面词及其对应的上下文信息建立方面和候选意见词的关联,再结合全局信息生成特定方面语义特征的上下文表示,有利于提高下游意见元素抽取的性能。其次,使用网格标记方案的推理策略,利用方面和意见词之间的依赖指示信息进行更准确的抽取,以端到端的方式处理AFOE任务。相比基线模型,对于方面意见对抽取任务,改进的模型在中英文数据集上的F1值提高了0.89%~4.11%,对于三元组抽取任务提高了1.36%~3.11%,实验结果表明,改进的模型能有效地对中英文评论的意见元素进行抽取,性能显著优于基线模型。

关键词：方面意见对抽取三元组抽取网格标记方案方面语义面向方面的细粒度意见抽取

来源：评论

学校读者我要写书评

暂无评论

面向方面的自适应跨度特征的细粒度意见元组提取

引用

计算机应用 2023年第5期43卷 1454-1460页

作者：陈林颖刘建华孙水华郑智雄林鸿辉林杰福建工程学院计算机科学与数学学院福州350118 福建省大数据挖掘与应用技术重点实验室(福建工程学院) 福州350118

面向方面的细粒度意见提取(AFOE)以意见对的形式从评论中提取方面词和意见词,或在此基础上再提取方面词的情感极性形成意见三元组。针对现有研究方法忽略了意见对与上下文相关性的问题,提出一种面向方面的自适应跨度特征的网格标记方案(... 详细信息

面向方面的细粒度意见提取(AFOE)以意见对的形式从评论中提取方面词和意见词,或在此基础上再提取方面词的情感极性形成意见三元组。针对现有研究方法忽略了意见对与上下文相关性的问题,提出一种面向方面的自适应跨度特征的网格标记方案(ASF-GTS)模型。首先,利用BERT(Bidirectional Encode Representation from Transformers)模型获得句子的特征表示;然后,采用自适应跨度特征(ASF)方法加强意见对与局部上下文的联系;其次,通过网格标记方案(GTS)将意见对提取(OPE)转化为统一的网格标记任务;最后,使用特定的解码策略生成对应的意见对或意见三元组。在适用于意见元组提取任务的四个AFOE基准数据集上进行实验,结果表明,与GTS-BERT(Grid Tagging Scheme-BERT)模型相比,所提模型在意见对和意见三元组任务上的F1值分别提高了2.42%~7.30%和2.62%~6.61%。所提模型能够有效保留意见对与上下文的情感联系,更精确地提取意见对及其情感极性。

关键词：网格标记方案方面词意见词意见对提取意见三元组提取面向方面的细粒度意见提取

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：