积分商城

最新搜索： stm32 12864 激光雷达技术 机器人 imx07 CCS 6 设备管理
您现在的位置是：首页 > 技术资料 > 基于多通道卷积神经网络的中文微博情感分析
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于多通道卷积神经网络的中文微博情感分析

更新时间：2019-12-26 11:21:50 大小：2M 上传用户：IC老兵查看TA发布的资源 标签：卷积神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

近年来,深度学习在情感分析任务中的应用得到了越来越多的关注.针对以文本词向量作为输入的卷积神经网络无法充分利用情感分析任务中特有的情感特征信息,以及难以有效表示每个词语在句子中的重要程度等问题,提出一种基于多通道卷积神经网络(multi-channels convolutional neural networks,MCCNN)的中文微博情感分析模型.该模型针对情感分析任务中特有的情感信息来构建文本输入矩阵,使模型在训练过程中有效获取输入句子的情感特征信息.同时,该模型通过将不同特征信息结合形成不同的网络输入通道,使网络模型在训练过程中从多方面的特征表示来学习输入句子的情感信息,有效表示出每个词语在句子中的重要程度,获取更多的隐藏信息.最后在COAE2014数据集和微博语料数据上进行实验,取得了比普通卷积神经网络、结合情感信息的卷积神经网络和传统分类器更好的性能.


部分文件列表

文件名 大小
基于多通道卷积神经网络的中文微博情感分析.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
：
ＤＯＩ１０．７５４４ｉｓｓｎ１０００１２３９ ．２０１８ ．２０１７００４９  
－
计 算 机 研 究 与 发 展  
?
（）： ，  
５５５ ９４５９５７ ２０１８  
－
ＪｏｕｒｎａｌｏｆＣｏｍ ｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏ ｍｅｎｔ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ ｐ  
ꢀ
基于多通道卷积神经网络的中文微博情感分析  
１
２
１
１
１
陈
珂
梁
斌
柯文德  
许
波
曾国超  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
１
２
（
）
广东石油化工学院计算机科学与技术系 广东茂名  
ꢀ
５２５０００  
ꢀ
（
）
苏州大学计算机科学与技术学院 江苏苏州  
ꢀ
２１５０００  
ꢀ
（
）
ｃｈｅｎｋｅ２００１ １６３．ｃｏｍ  
＠
ＣｈｉｎｅｓｅＭｉｃｒｏＢｌｏ ＳｅｎｔｉｍｅｎｔＡｎａｌｓｉｓＢａｓｅｄｏｎＭｕｌｔｉＣｈａｎｎｅｌｓＣｏｎｖｏｌｕｔｉｏｎａｌ  
ꢀ ꢀ ꢀ  
ｙ
ꢀ
－
ꢀ
－
ꢀ
ｇ
ꢀ
ＮｅｕｒａｌＮｅｔｗｏｒｋｓ  
ꢀ
１
２
１
１
， ，  
ＣｈｅｎＫｅ Ｌｉａｎ Ｂｉｎ ＫｅＷｅｎｄｅ ＸｕＢｏ ａｎｄＺｅｎ Ｇｕｏｃｈａｏ  
１
，
，
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
１
（
，
，
ｇｙ  
，
Ｍａｏｍｉｎ  
ｇ
Ｄｅ ａｒｔｍｅｎｔｏ Ｃｏｍ ｕｔｅｒ Ｓｃｉｅｎｃｅａｎｄ Ｔｅｃｈｎｏｌｏ  
ꢀ ꢀ ꢀ ꢀ  
ｐ
Ｇｕａｎ ｄｏｎ Ｕｎｉｖｅｒｓｉｔ ｏ Ｐｅｔｒｏｃｈｅｍｉｃａｌ Ｔｅｃｈｎｏｌｏ  
ꢀ
ｇ
ｆ
ｐ
ｇｙ  
ｇ
ｙ ｆ  
ꢀ ꢀ  
ꢀ
ꢀ
）
Ｇｕａｎ ｄｏｎ ５２５０００  
ｇ ｇ  
２
（
，
， ，  
ＳｏｏｃｈｏｗＵｎｉｖｅｒｓｉｔ Ｓｕｚｈｏｕ Ｊｉａｎｓｕ２１５０００  
ꢀ
）
Ｓｃｈｏｏｌｏ Ｃｏｍ ｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏ  
ꢀ ꢀ ꢀ ꢀ  
ｆ
ｐ
ｇｙ  
ｙ
ｇ
ꢀ
Ａｂｓｔｒａｃｔ Ｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄａｒｃｈｉｔｅｃｔｕｒｅｓｈａｖｅｂｅｅｎ ｅｒｖａｓｉｖｅｌ ａ ｌｉｅｄｔｏｓｅｎｔｉｍｅｎｔａｎａｌｓｉｓａｎｄ  
ｙ ｐｐ ꢀ ꢀ ｙ ꢀ  
－ ꢀ ꢀ ꢀ ꢀｐ ꢀ  
ꢀ
ꢀ
ꢀ
，
ａｃｈｉｅｖｅｄ ｒｅａｔｓｕｃｃｅｓｓｉｎｒｅｃｅｎｔ ｅａｒｓ．Ｈｏｗｅｖｅｒ ｍｏｓｔ ｒｅｖｉｏｕｓａ ｒｏａｃｈｅｓｕｓｕａｌｌ ｃｌａｓｓｉｆｉｅｄ ｗｉｔｈ  
ꢀｇ ꢀ ꢀ ꢀｙ ꢀｐ ꢀｐｐ  
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
，
ｗｏｒｄｆｅａｔｕｒｅｏｎｌ ｗｈｉｃｈｉｎｏｒｉｎ ｓｏｍｅｃｈａｒａｃｔｅｒｉｓｔｉｃｆｅａｔｕｒｅｓｏｎｔｈｅｔａｓｋｏｆｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎ．  
ꢀ ｙ ꢀｇ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
Ｏｎｅｏｆｔｈｅｒｅｍａｉｎｉｎ ｃｈａｌｌｅｎｅｓｉｓｔｏｌｅｖｅｒａｅｔｈｅｓｅｎｔｉｍｅｎｔｒｅｓｏｕｒｃｅｓｅｆｆｅｃｔｉｖｅｌ ｂｅｃａｕｓｅｏｆｔｈｅｌａｃｋｏｆ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ ꢀ  
ｇ ｇ ꢀꢀ ꢀ ｇꢀ ꢀ ｙ  
ꢀ
ꢀ
，
ｌｅｎｔｈ ｏｆ Ｃｈｉｎｅｓｅ ｍｉｃｒｏｂｌｏ ｔｅｘｔｓ．Ｔｏ ａｄｄｒｅｓｓｔｈｉｓ ｒｏｂｌｅｍ ｗｅ ｒｏｏｓｅ ａ ｎｏｖｅｌｓｅｎｔｉｍｅｎｔ  
ｇ ꢀ ꢀ  
ꢀｐ ꢀｐ ｐ ꢀ ꢀ  
ꢀ
－
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｆｏｒＣｈｉｎｅｓｅｍｉｃｒｏｂｌｏ ｓｅｎｔｉｍｅｎｔａｎａｌｓｉｓｂａｓｅｄｏｎｍｕｌｔｉｃｈａｎｎｅｌｓｃｏｎｖｏｌｕｔｉｏｎａｌ  
ｙ ꢀ  
ꢀ ꢀ － ꢀ ꢀ ꢀ －  
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
（
）
ｎｅｕｒａｌｎｅｔｗｏｒｋｓ ＭＣＣＮＮ ｔｏｃａｔｕｒｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｆｏｒｍａｔｉｏｎｉｎ ｍｉｃｒｏｂｌｏ ｔｅｘｔｓ．Ｗｉｔｈｔｈｅ  
ꢀ ｐ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
－
ｇ
ꢀ
ꢀ
，
ｈｅｌ ｏｆｔｈｅ ａｒｔｏｆｓｅｅｃｈｖｅｃｔｏｒ ｔｈｅｍｏｄｅｌｃｏｕｌｄ ｒｏｍｏｔｅｔｈｅｆｕｌｌｕｓｅｏｆｓｅｎｔｉｍｅｎｔｆｅａｔｕｒｅｓｔｈｒｏｕｈ  
ｐ ꢀ ꢀｐ ꢀ ꢀｐ  
ꢀｐ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
，
ｄｉｆｆｅｒｅｎｔ ａｒｔｏｆｓｅｅｃｈｔａ ｉｎ ．Ｍｅａｎｗｈｉｌｅ ｔｈｅ ｏｓｉｔｉｏｎｖｅｃｔｏｒｈｅｌｓｔｈｅｍｏｄｅｌｉｎｄｉｃａｔｅｔｈｅｄｅｒｅｅｏｆ  
ꢀｐ ꢀ ꢀｐ ꢀ ｇｇ ｇ ꢀｐ ꢀ ｐꢀ ꢀ ｇ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｉｍ ｏｒｔａｎｃｅｏｆｅｖｅｒ ｗｏｒｄｉｎｔｈｅｓｅｎｔｅｎｃｅ ｗｈｉｃｈｉｍ ｅｌｓｔｈｅｍｏｄｅｌｔｏｆｏｃｕｓｏｎｔｈｅｉｍ ｏｒｔａｎｔｗｏｒｄｓｉｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ  
ｐ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｔｈｅｔｒａｉｎｉｎ ｒｏｃｅｓｓ． Ａｆｔｅｒｗａｒｄｓ ａ ｍｕｌｔｉｃｈａｎｎｅｌｓ ａｒｃｈｉｔｅｃｔｕｒｅ ｂａｓｅｄ ｏｎ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ  
ｇ ｐ  
ꢀ ꢀ  
ꢀ
ꢀ
－
ꢀ
ꢀ
ꢀ
ꢀ
，
ｎｅｔｗｏｒｋｓｗｉｌｌｂｅｕｓｅｄｔｏｌｅａｒｎｍｏｒｅｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｏｆｍｉｃｒｏｂｌｏ ｔｅｘｔｓ ａｎｄｅｘｔｒａｃｔｍｏｒｅｈｉｄｄｅｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
－
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｉｎｆｏｒｍａｔｉｏｎ ｔｈｒｏｕｈ ｃｏｍｂｉｎｉｎ ｄｉｆｆｅｒｅｎｔ ｖｅｃｔｏｒｓ ａｎｄ ｏｒｉｉｎａｌ ｗｏｒｄ ｅｍｂｅｄｄｉｎ ． Ｆｉｎａｌｌ ｔｈｅ  
ｇꢀ ｙ  
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ｅｘｅｒｉｍｅｎｔｓｏｎＣＯＡＥ２０１４ｄａｔａｓｅｔａｎｄｍｉｃｒｏｂｌｏ ｄａｔａｓｅｔｒｅｖｅａｌｂｅｔｔｅｒ ｅｒｆｏｒｍａｎｃｅｔｈａｎｔｈｅｃｕｒｒｅｎｔ  
－ ꢀ ꢀ ꢀｐ ꢀ  
ｐ
ꢀ ꢀ  
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｍａｉｎｓｔｒｅａｍｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｅｒ．  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
； ； （  
Ｋｅ ｗｏｒｄｓ ｓｅｎｔｉｍｅｎｔａｎａｌｓｉｓ ｄｅｅ ｌｅａｒｎｉｎ ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ ＣＮＮ  
ꢀ
）；  
ｍｕｌｔｉ  
－
ꢀ
ꢀ
ｙ
ｐ
ꢀ
ｇ
ꢀ
ｙ
ꢀ
；
ｃｈａｎｎｅｌｓ ｎａｔｕｒａｌｌａｎｕａｅ ｒｏｃｅｓｓｉｎ  
ｇ ｇꢀｐ  
ꢀ
ｇ
，
近年来 深度学习在情感分析任务中的应用得到了越来越多的关注 针对以文本词向量作为输  
．
摘
要
ꢀ
ꢀ
，
入的卷积神经网络无法充分利用情感分析任务中特有的情感特征信息 以及难以有效表示每个词语在  
，
句子中的重要 程度 等问题 提出一种基于 多通 道 卷 积 神 经 网 络  
（
ｍｕｌｔｉｃｈａｎｎｅｌｓｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌ  
ꢀ
－
ꢀ
：
；
：
修回日期  
２０１７ ０８ ２１  
收稿日期  
－ －  
２０１７ ０１ ２３  
－
－
ꢀ
：
基金项目 国家自然科学基金项目  
（
，
６１２７２３８２ ６１６７２１７４  
）；  
广东省自然科学基金项目  
（ ， ）；  
广东省科技计划  
２０１６ Ａ０３０３０７０４９ ２０１６ Ａ０３０３０７０２８  
ꢀ
（
，
２０１４ Ａ０１０１０４０１６ ２０１５Ｂ０９０９０３０８４  
）
项目  
（ ， ），  
Ｔｈｉｓｗｏｒｋｗａｓｓｕ ｏｒｔｅｄｂ ｔｈｅ ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ ６１２７２３８２ ６１６７２１７４ ｔｈｅ ＮａｔｕｒａｌＳｃｉｅｎｃｅ  
ꢀ
ꢀ
ꢀ
ꢀ ｐｐ ꢀｙ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
（
，
），  
ＦｏｕｎｄａｔｉｏｎｏｆＧｕａｎｄｏｎ ＰｒｏｖｉｎｃｅｏｆＣｈｉｎａ ２０１６ Ａ０３０３０７０４９ ２０１６ Ａ０３０３０７０２８ ａｎｄｔｈｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏ Ｐｌａｎｎｉｎ  
ꢀ ꢀ ｇ  
ꢀ
ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ｇｙ  
ｇ
ꢀ
（
，
）
ＰｒｏｅｃｔｏｆＧｕａｎｄｏｎ Ｐｒｏｖｉｎｃｅ ２０１４ Ａ０１０１０４０１６ ２０１５Ｂ０９０９０３０８４ ．  
ꢀ ꢀ  
ｊ
ｇ
ｇ
ꢀ
，
（）  
２０１８ ５５５  
ꢀ
计算机研究与发展  
９４６  
，
ｎｅｔｗｏｒｋｓ ＭＣＣＮＮ  
）
的中文微博情感分析模型 该模型针对情感分析任务中特有的情感信息来构建文  
．
， ，  
本输入矩阵 使模型在训练过程中有效获取输入句子的情感特征信息 同时 该模型通过将不同特征信  
．
，
息结合形成不同的网络输入通道 使网络模型在训练过程中从多方面的特征表示来学习输入句子的情  
，
，
感信息 有效表示出每个词语在句子中的重要程度 获取更多的隐藏信息 最后在  
数据集和  
．
ＣＯＡＥ２０１４  
微博语料数据上进行实验 取得了比普通卷积神经网络 结合情感信息的卷积神经网络和传统分类器更  
好的性能  
，
、
．
； ； ； ；  
情感分析 深度学习 卷积神经网络 多通道 自然语言处理  
关键词  
ꢀ
中图法分类号  
ＴＰ３９１  
ꢀ
［
］
１１  
，
感信息 陈钊等人 提出了将情感特征加入卷积神  
，
随着微博在社交网络上的兴起 越来越多的用  
ꢀꢀ  
户通过微博发表观点和表达情感 如何利用机器学  
．
； ，  
经网络的方法 针对获取更多的语义信息 刘龙飞等  
［ ］  
１２  
习和自然语言处理来分析微博用户的情感倾向已得  
人
提出了结合不同粒度的卷积神经网络模型 虽  
．
，
到了越来越多研究人员的关注 并成为自然语言处  
然这类方法针对微博文本情感分类做了改进并取得  
［］  
１
，
此外 微博文本句子的长  
．
理领域的研究热点之一  
，
了比传统方法更好的效果 但这类方法对情感特征  
，
度偏短和口语化词语的频繁使用 使得微博的情感  
，
的利用依赖于人工整理的情感词典 无法充分利用  
分类相比普通文本情感分类更具有难度和挑战性  
．
，
微博文本的情感信息 同时 这类方法使用单一的特  
．
传统的情感分类技术主要有基于规则和基于机  
， ，  
征表示 对输入向量的初始值依赖较大 且难以正确  
：）  
类 基于规则方法主要采用根据经验或  
１
器学习  
２
表示每个词在句子中的重要程度  
．
、
者专家意见得到的统计特征 情感词典和模板来对  
，
针对上述问题 本文提出一种将词语的词性进  
［
］
２３  
－
，
文本进行情感分类 需要大量的人工干预  
；）  
基
２
，
行向量化操作作为网络模型输入的方法 该方法通  
于机器学习的方法通过人工标注一部分数据建立训  
，
过将情感词典中的词语重新进行词性标注 并将不  
，
练集 对训练集的数据进行特征提取和学习来构建  
，
同的词性取值映射为一个多维的连续值向量 从而  
，
一个分类模型 最后利用训练得到的分类模型来对  
可以有效将输入文本的情感特征 信息加 入 网络 模  
，
未知标签的测试数据进行分类预测 自动实现情感  
，
型 使情感信息得到充分利用 为了更准确地表示每  
．
［
］
４５  
－
极性的判断  
究中得到很多学者的重点关注 总结出了很多不同  
分类模型的组合方法 这些方法已广泛应用于情感  
其中基于机器学习方法在过去的研  
．
，
一个词语在输入句子中的重要程度 本文将句子中  
，
，
不同词语的位置取值进行向量化操作 结合输入句  
子的词向量和词性向量形成不同的通道作为卷积神  
．
，
分析领域 并已取得了很好的成果 但这类方法通常  
．
，
经网络的输入 可以使网络模型在训练过程中通过  
，
需要依赖复杂的特征工程 以及需要结合例如依存  
关系分析等外部知识  
．
，
多种文本表示来学习句子的情感特征信息 挖掘更  
，
多的隐藏特征信息 同时 本文将不同的文本表示组  
．
，
近年来 随着深度学习在自然语言领域的研究  
，
合形成不同的通道作为卷积神经网络的输入 可以  
，
和发展 越来越多的研究员开始用深度学习来解决  
［］  
６
［］  
７
使模型通过多方面信息学习不同输 入 特 征之间 的  
情感 分 类 问 题  
例 如  
．
用 卷 积 神 经 网 络  
Ｋｉｍ  
（
，
）
对 电 影 评 论  
ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｓ ＣＮＮ  
， ，  
联系 有效降低网络对特征向量初始值的依赖性 在  
ꢀ
ꢀ
［］  
８
等人 用卷积神经网  
；
进行情感分类  
Ｋａｌｃｈｂｒｅｎｎｅｒ  
向量随机初始化的实验中也有不错的分类效果 此  
．
［］  
９
；
络解决  
的极性判断问题  
Ｔｗｉｔｔｅｒ  
等人 用长  
Ｗａｎ  
ｇ
，
外 本文提出的多通道卷积神经网络  
（
ｍｕｌｔｉｃｈａｎｎｅｌｓ  
－
（
，
ｙ
）
网 络  
ｌｏｎ ｓｈｏｒｔｔｅｒｍ ｍｅｍｏｒ ＬＳＴＭ  
短期记 忆  
ｇ
－
ꢀ
ꢀ
，
ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ ＭＣＣＮＮ  
ꢀ
）
模型在一  
ꢀ
对文本情感极性进行分析 这类基于深度神经网络  
．
次学习过程就可以完成对不同特征的学习和参数调  
的模型在无需大量人工特征的情况下取得了比传统  
，
整 有效降低了模型的训练时间代价 在中文倾向性  
．
分类器更好的效果 一些学者针对微博短文本特有  
．
（
）
和 微 博 语 料 数 据 集  
分析评 测 数 据 集  
ＣＯＡＥ２０１４  
的特征信息来构建分类模型 例如针对  
．
文
Ｔｗｉｔｔｅｒ  
（
，
）
上与 文献  
ｍｉｃｒｏｂｌｏ ｄａｔａｓｅｔ ＭＢＤ  
［
］
提 出  
１１１２  
－
ｇ
ꢀ
－
［
］
１０  
等人 提出了使用多样化  
，
Ｖｏ  
本的大量特征信息  
，
的深度网络模型相比取得了更好的性能 最后比较  
；
文本情感分类 针对现有的大量情  
特征的  
Ｔｗｉｔｔｅｒ  
［
］
１３  
张志琳等人 提出的基于传统分类模型的多样 化  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号