【摘 要】
：
随着互联网和智能终端的普及,网络文本信息量增长迅速。传统的文档级、句子级情感分析已经无法满足当前文本研究对细粒度情感倾向的需求。方面级情感分析可以对实体进行多方面、全方位的情感描述,但由于文本语言环境的复杂性,现有方法在泛化等性能上仍然存在不足,本文从方面目标情感分析和方面类别情感分析子任务入手,以深度学习为基础展开研究,主要工作和贡献如下:（1）针对于现有方面目标情感分析模型存在的参数量过大、局
论文部分内容阅读
随着互联网和智能终端的普及,网络文本信息量增长迅速。传统的文档级、句子级情感分析已经无法满足当前文本研究对细粒度情感倾向的需求。方面级情感分析可以对实体进行多方面、全方位的情感描述,但由于文本语言环境的复杂性,现有方法在泛化等性能上仍然存在不足,本文从方面目标情感分析和方面类别情感分析子任务入手,以深度学习为基础展开研究,主要工作和贡献如下:（1）针对于现有方面目标情感分析模型存在的参数量过大、局部语义特征缺失以及标准训练样本较少而导致泛化能力不足的问题,本文基于轻量化的ALBERT模型设计了一种新型的卷积ALBERT结构,在大幅度降低参数量的同时,通过在Transformer结构中加入多层逐点卷积模块,以提升其对于局部信息的捕获能力。然后在训练过程中引入对抗训练的方式,对词嵌入层添加损失梯度的扰动,生成对抗样例攻击网络模型,进而提升模型的泛化能力。（2）针对现有方面类别情感分析模型存在无法利用句法依存类型信息和方面类别检测能力不足的问题,本文提出了一种基于层级类型感知图卷积的方面类别情感分析模型。首先根据句法依存信息生成了类型依存图,随后进一步构建了一种层级类型感知图卷积结构。该结构不但能有效提取类型依存图中的关联及类型信息,同时在网络结构中嵌入注意力机制,合理利用不同图卷积层所提取的方面类别和情感极性信息;最后,采用协同训练的方式,使用方面类别检测作为辅助任务,进一步提升模型方面类别信息提取的能力。（3）对于本文所提出的模型,在两种子任务中具有挑战性的公开英文基准数据集上进行了详尽的实验评估。设计了多组定性对比分析和消融实验,结果表明本文所提出的创新工作均能有效提高模型性能。与一些现有方法和模型进行了对比实验,验证了本文模型的优越性。
其他文献
近年来随着人们的生活水平不断提高,人们承受的压力也逐渐增加甚至部分人由此导致了如睡眠质量变差等各种问题。有研究表明合适的音乐可以改善人的睡眠质量,但由于音乐种类众多使得寻找适合自己的音乐也成为一个难题,本文的目标是通过深度学习技术来实现睡眠音乐的自动生成,从而缓解这个难题。本文实现睡眠音乐生成的方法主要包括主旋律提取以及音乐生成两个方面的内容。其中存在许多难点:1)音乐数据不同于普通的序列数据,可
最大团问题（Maximum Clique Problem,简称MCP）是一类NP难问题,有效求解它的精确算法大多数是基于分支定界（Branch-and-Bound,简称B＆B）框架的,其中的上界策略对缩小解空间、提高算法效率起着重要作用。目前应用最广泛的是基于图着色的上界,但该上界与最优解之间常常存在一定的差距而导致解空间过大。此外它的时间复杂度总是大于O（n2）,当图规模较大时它可能对算法效率产
最近数十年,信息技术尤其是互联网领域相关技术的高速发展,催生出的数据在样本数量与维度上日益庞大。在高维数据中,样本数通常难以均匀覆盖高维空间,这将导致维度灾难,严重损害机器学习算法的性能。特征选择通过从原始特征中挑选部分特征,精简使用特征的数目,避免了样本数与维度严重不相称的情况,已成为数据挖掘领域中常用的预处理技术。近年来,基于进化计算技术的特征选择算法备受关注,这得益于它们优秀的全局搜索能力。
传统的中小学地理教学经常使用地球仪作为辅助教学工具,虽然地球仪能直观的展示相关地理区域,但是由于地球仪本身的限制而无法承载过多的信息,而增强现实（Augmented Reality,AR）技术能够将虚拟信息叠加到现实场景上进行实时交互,将AR技术与地理教学相结合可以使教学内容更加丰富、生动、有趣,能够激发学生的学习兴趣。目标检测算法具有较强的识别物体的能力,将目标检测算法与AR技术相结合,可以提高
随着互联网行业的发展,深度学习技术在各个研究领域得到了广泛的运用,特别是在计算机视觉相关领域。人脸表情识别属于学科交叉的领域范畴,它的研究可以让机器学习人类的情感,有助于提高人机交互的效率,这一技术可以推广到医疗、交通、教育等不同的日常情景。但表情识别的准确率容易受表情图像中光线、角度、细节等因素影响。因此,为进一步提升表情识别网络模型的性能,本文共分三个方面对表情识别深度网络进行改进,主要工作包
人脸表情识别作为情感计算重要的组成部分,在公共安全、智慧交通和医疗康复等领域有着巨大的应用前景。在过去的几年里,数据驱动的深度神经网络虽然将人脸表情识别准确率提高到了新层次,但是仍面临以下两个关键性难点:（1）头部的偏转造成了面部遮挡和配准误差,导致识别准确率再向上提升变得异常困难,并且难以运用到实际场景中;（2）现有数据集中存在一些不确定性表情样本,这些样本造成提取出的特征有害。为了解决以上问题
近年来,基于相空间重构（Phase-Space Reconstruction,PSR）的时间序列图像化方法因能描述时间序列的非线性信息等优点,已被用于提升时间序列分类（Time Series Classification,TSC）的性能。然而,这类方法因需要将高维相空间中的轨迹投影到二维平面,往往会导致信息丢失或造成虚假的信息,从而导致分类准确率的下降。本论文的研究目的便是分别在单变量时间序列（U
近年来,随着社会信息化程度越来越高,互联网改变了人们的生活,成为了人们生产生活中不可缺少的一部分。但是,随着网络安全问题日益凸显,人们的隐私和数据安全不断受到威胁。数字身份作为互联网的基础设施,是网络安全中的重要一环。而传统的身份管理方式下存在用户隐私泄露、身份管理效率低、数据共享困难等问题。为了改进数字身份管理方式,保障网络数据安全和用户隐私安全,本文进行了以下研究:1)为了解决集中式数字身份管
目标跟踪是计算机视觉领域一项基础性挑战任务,具有重要的学术价值与实用意义。在给定初始帧标注信息后,其任务不仅要在后续帧中对目标中心进行粗略定位,还需要进行精确的目标状态估计。近来,基于孪生架构的方法因其能在保持良好速度的同时取得较显著的性能,引起了目标跟踪领域的广泛关注。然而,孪生网络分支通常是独立的,缺乏信息交互,这限制了模型性能的进一步提升。为了增强孪生网络分支的协作能力,本文提出基于孪生架构
安防监控系统不仅能给居民提供安全保障,而且也常用于协助案件侦破。行人重识别（Person Re-identification,Re ID）技术作为计算机视觉领域的热门研究方向,旨在实现跨摄像头下快速自动地行人身份识别及检索,可以显著提高警务人员对监控数据的利用效率。然而监控视频中存在背景干扰强、行人姿态差异大等问题,夜间环境下还会进行红外模式成像,这些因素都给行人重识别带来了挑战。目前,在单模态场