19、情感分析与不充分支持论证识别的深度学习方法

情感分析与不充分支持论证识别的深度学习方法

1. 加权交叉熵在情感分析中的应用

在情感分析中，加权交叉熵是一个重要的概念。它与默认交叉熵在处理不同分类情况时会产生不同的损失值。

1.1 加权交叉熵示例

• 示例 1 ：若实际标签 (y) 为 ([0, 1, 0])（负向），预测值 (\hat{y}) 为 ([0.2, 0.3, 0.5])（中性），默认交叉熵的结果为 1.204，而加权交叉熵的结果为 2.408。
• 示例 2 ：若实际标签 (y) 为 ([1, 0, 0])（正向），预测值 (\hat{y}) 为 ([0.2, 0.7, 0.1])（负向），默认交叉熵的结果为 1.609，加权交叉熵的结果为 6.436。

这两个示例表明，加权交叉熵函数针对不同的错误分类情况给出了不同的损失值。目前，惩罚矩阵是基于直观直觉开发的，但未来可以依据数据的分布来构建。

1.2 情感分析实验设置

为了验证相关方法在情感分析中的有效性，进行了一系列实验，以下是具体的实验设置：
1. 数据收集 ：收集了包含 100 万条带有情感标签的社交网络讨论数据，该数据集由 YouNet Media 提供，同时该公司还提供了一个包含正向和负向词汇的初始情感词典，不过这些情感词汇的情感得分仅手动分配了 4 个值（1, 0.5, -0.5, -1）。
2. 数据预处理 ：最初，数据以 65000 维的独热向量表示，经过词嵌入技术