《Review Sentiment Analysis Based on Deep Learning》论文阅读笔记

最新推荐文章于 2021-12-19 01:30:00 发布
原创 最新推荐文章于 2021-12-19 01:30:00 发布 · 707 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了一种结合词频、上下文窗口及词性标注特征的情感分析深度学习模型。通过设计可变层和节点的神经网络，实现对文本情感的精准识别。模型先对特征进行降维处理，再融合低维向量，最终通过三个子网络的输出和作为主网络的输入。

这篇论文的本质是将多个方面的特征进行结合进行情感分析，关键点在于不同情感特征的抽取

A、词频特征

认为只有情感词会对文本的情感结果起作用，而不是每一个词都会有作用

对于某一篇文章，计算dimension长度个词的词频，这个长度可以理解为多退少补

得到了一个【1，dimension】长度的向量，利用logistic classifier作为这个层面上的激活函数

B、上下文窗口特征

认为每个情感词的具体含义会与紧邻的上下文有关系

首先，对一个文档的每一个情感词圈定一个上下文，用0-1表示该特征

然后整个语料库就是多个情感词上下文的集合

再用整个语料库的集合来表示每一个文档集合，对于每个特征，在语料库中则为1，不在则为0

hit 就是多个文档的特征相加

C、词性标注特征

认为只计算特殊的词性标注序列，而不计算不相关的特征

建立了两个集合，前缀集合和后缀集合

对于文档中的每个情感词的这两个集合的得到方法，是使用以下算法

对于每个情感词，把它的前缀词性加入到前缀集合中，后缀词性加入到后缀集合中

 

 

网络结构设计

提出一个可变层和可变节点的解决办法

每一个文档是一个向量表示，向量是特定的情感表达，假设每一个情感表达的情感极性是线性的，即积极或消极，所以，将情感表达这一维度的特征作为输出层的隐含调节层。

对于其他层，可将词特征作为输入，如何将前期得到的各种特征组合是一个问题，因此，首先先建一个，然后持续加入。使用指数下降和固定下降法来调节邻层（其实可以理解为dropout）。在每一次迭代中，先固定层数n，然后再进一步确定每层的节点数目。

所以提出了一个层次深度神经网络，将不同的特征进行结合

先降维，再将低维向量融合

对于每个子网络，原始向量作为输入，目标向量作为输出，中间的每层都用衰减系数调整结点个数。

主网络的输入是三个子网络输出的和

 

 

 

 

【论文笔记】A comprehensive survey on sentiment analysis: Approaches, challenges and trends（上）
qq_45841737的博客
11-30 803
论文1、2节的笔记，理解和翻译得不到位的请多见谅
A Survey of Recommender Systems Based on Deep Learning （1）
weixin_43943642的博客
05-24 1273
A Survey of Recommender Systems Based on Deep Learning (本文为同名paper的个人翻译版本，如有认知上的偏差，请谅解) 由于最近在打KDD CUP的竞赛，刚刚接触到推荐系统的一些知识，先从Survey开始入手了解相关技术 ABSTRACT （背景描述和文章大致结构）今年来，深度学习的高速发展在语音识别，图像分析和自然语言处理等领域得到了很好的效果，基于深度学习的推荐系统也是其应用之一，相比于传统的推荐系统，基于深度学习的推荐系统能够更好地捕捉到用户和物
sentiment_review:对评论数据进行情感分析
04-01
情感分析项目 该项目对发布到python网络应用的评论进行了情感分析。 该项目的目标是创建一个自动流程，以根据客户的电子邮件向他们发送电子邮件，从而与他们建立联系。 张贴负面评论的客户将收到包含50％优惠券的电子邮件，以弥补他们对Coleman Company的负面体验。 Web APP链接： dynamic-aurora-302220.uc.r.appspot.com 情绪分析 对于这个项目，我使用了Google的自然语言automl服务来构建情感分析模型。 对于训练数据，我使用了来自Yelp的数据集，其中包含800万条评论。 在训练项目之前，先清理数据，然后将其存储到BigQuery中以进行检索和分析。 描述你的项目 您当前正在查看项目的README文件。 自述文件就像您的项目的封面或电梯音高。 它们以纯文本或编写，通常包括描述项目的段落，使用方法的指导，创作者等。 您的第一个网站
论文研究-Sentiment Analysis of Complex Sentences for Chinese Document.pdf
08-15
中文复杂句型的情感分析研究，吴晓吟，，随着互联网技术的发展,对网络文本观点性内容的自动情感分析成为近期文本信息处理的一个研究热点，而其中的核心技术就是文本情感��
《Sentiment Analysis Based on Deep Learning Approaches》阅读笔记
t_zht的博客
12-30 546
2018 IEEE 参考意义不大 【Lexicon is further divided into dictionary based and corpus based approach which further uses semantic and statistical methods to get the sentiment polarity of the text used in the...
VistaNet: Visual Aspect Attention Network for Multimodal Sentiment Analysis 论文笔记
weixin_42455006的博客
12-19 2210
VistaNet: Visual Aspect Attention Network for Multimodal Sentiment Analysis 论文笔记背景介绍基于评论的情感分析问题和想法VistaNet 方法层级注意力网络(HAN)词编码层句子编码层文档情感分类实验Q1：与多模态基线相比，这种视觉信息建模作为注意力的表现如何？Q2：该模型的各种架构组件的贡献是什么？Q3：增量添加图像有什么影响？贡献和结论 背景介绍 现在人手都有智能终端，随时随地都可以用来发布自己的信息，而人人也都可以随时随地
[论文翻译]Deep Learning 翻译及阅读笔记
风信子的博客
08-09 7964
论文题目：Deep Learning 论文来源:Deep Learning_2015_Nature 翻译人：CQUT 重理工实验室 Deep Learning Yann LeCun∗ Yoshua Bengio∗ Geoffrey Hinton 深度学习 Yann LeCun∗ Yoshua Bengio∗ Geoffrey Hinton Abstract Deep learning allows computational models tha
论文列表——sentiment analysis
ZSY的大后台
01-25 3391
情感分类属于文本分类的一个应用场景，一般都是人（用户）对某些具体事物（商品、事件）表达某些情感。落地场景是很多的。这学期最开始是做stance detection相关的工作，而其中target-specific stance detection和情感分类中的aspect-based sentiment analysis是很相关的，而AIC的比赛又正好是这个后者，所以顺便调研了下sentiment ...
[论文阅读] 有关联邦学习应用综述 A review of applications in federated learning
有关我的科研的足迹、算法竞赛的日子、生活记录。
11-27 3102
阅读笔记 A review of applications in federated learning 原文链接 因为最近在写一篇联邦学习应用方向的论文，所以阅读了本文章，作一些简要的笔记记录如下： 文章目录阅读笔记 A review of applications in federated learning一、本文介绍的联邦学习概述二、联邦学习的演变2.1 算法优化2.2 安全隐私风险安全 - 在联邦学习中的隐私保护技术三、联邦学习的应用移动设备上的应用工业生产应用医疗保健领域的应用四、美好的未来生活
[论文阅读笔记29]生物医学文本摘要（Biomedical Text Summarization）
ld326的专栏
03-19 1499
论文：Clinical Context–Aware Biomedical Text Summarization Using Deep Neural Network: Model Development and Validation Afzal M, Alam F, Malik K, Malik G Clinical Context–Aware Biomedical Text Summarization Using Deep Neural Network: Model Development and Va
Amazon_Review_Sentiment_Analysis:使用3460万条亚马逊评论的语料库进行情感分析
05-11
使用Amazon评论进行情感分析 概述 使用Jure Leskovec在18年中收集集，我们创建了一个情感字典，其中包含97,436个唯一单词，它们对应于零中心浮点情感得分。 过程 我们首先对语料库中的数据进行预处理，以删除多余的信息。 我们仅使用评论文本和每个评论的星级评分。 经过预处理后，我们使用MapReduce计算每个星级（从1到5）中每个单词的频率。获得每个单词的频率后，我们编写了一种情感算法来计算每个单词的情感分数。 结果 正面的话 单词 情感分数 好的 0.152603809091 伟大的 3.78021467713 惊人的 6.8840020218 惊人 6.54080771437 完美的 5.78771983374 非同凡响 5.72747983897 精彩的 6.05087919002 最好的 3.2653374328 否定词 单词 情感分数 坏的 -5.
awesome-nlp-sentiment-analysis：收集NLP领域相关的数据集，论文，开源实现，尤其是情感分析，情绪原因识别，评价对象和评价词抽取方面
02-03
awesome-nlp-sentiment-analysis：收集NLP领域相关的数据集，论文，开源实现，尤其是情感分析，情绪原因识别，评价对象和评价词抽取方面
Deep_Learning_for_Aspect-Based_Sentiment_Analysis_A_Comparative_Review.pdf
03-19
Deep_Learning_for_Aspect-Based_Sentiment_Analysis_A_Comparative_Review Hai Ha Do
Deep learning for sentiment analysis A survey 深度学习情感分析综述
12-23
Deep Learning for Sentiment Analysis : A Survey（深度学习情感分析综述）
【论文笔记】Sentiment Analysis by Capsules
杂文集
05-21 1090
简介 本文设计了一个用于情感分类的新模型RNN-Capsule。虽然这里提到了胶囊，但和胶囊网络没啥关系，只是用到了胶囊的概念（一组神经元）。 每个胶囊对应一个情感类别，包含： an attribute（属性）：即设定的情感类别。 a state（状态）：分为“active”和“inactive”。一组胶囊中只有一个（状态概率最大的）为“active”，其他均为“inactive”。 three modules（模块）：representation module（表示模块）、 probability mo
深度学习用于股票预测_用于自动股票交易的深度强化学习
weixin_26704853的博客
09-09 9640
深度学习用于股票预测Note from Towards Data Science’s editors: While we allow independent authors to publish articles in accordance with our rules and guidelines, we do not endorse each author’s contribution. Yo...
武汉大学计算机学院 情感分析,基于神经网络模型的产品属性情感分析
weixin_42519781的博客
07-03 415
[1] CHEN L, WANG W B, NAJARAJAN M, et al. Extracting diverse sentiment expressions with target-dependent polarity from twitter[C]//Proceedings of the Sixth International AAAI Conference on Weblogs and...
《Deep Learning for Aspect-Based Sentiment Analysis》阅读笔记
t_zht的博客
01-01 1136
一、Model 这篇文章采用两部分进行方面级情感分析，一个部分用来寻找 EA对；一个用来进行情感极性的分析 1、aspect model 两层神经网络，全连接+softmax ，最后的输出是19种方面的概率分布值。在进行实验前，先做的处理是对方面个数进行降维，对于出现频率较少的实体直接标记为other。 2、sentiment model 使用递归神经网络进行情感分析较为合适。因为现在的...
推荐系统——Review Sentiment–Guided Scalable Deep Recommender System
manduner的博客
07-17 655
论文描述： 推荐系统可以根据已有评分和其他信息来预测给定用户对给定商品的评分。最成功的方法是协同过滤，但是会面临数据稀疏和冷启动的问题。最近，深度学习模型被提出用来缓解使用评论的评分矩阵的稀疏性，然而由于文本中存在歧义，已有的一些方法仅仅根据评论中生词的串联是具有挑战性的。因此，情感信息对于建模用户和商品来解决评论中的不确定性至关重要。由于对评论的过度表示，它们在训练时间和内存使用方面也不具有可...
Few-shot Multimodal Sentiment Analysis Based on Multimodal Probabilistic Fusion Prompts
最新发布
02-28
### 少样本多模态情感分析方法 少样本学习旨在利用少量标注数据实现高效模型训练。对于多模态情感分析而言，通过引入概率融合提示机制可以有效提升模型泛化能力[^1]。 #### 多模态概率融合提示的工作原理 该方法的核心在于构建一个多模态特征表示框架，在此框架内不同类型的输入（如文本、图像、音频）被转换成统一向量空间中的表达形式。具体来说： - **跨模态对齐**：通过对来自不同感官通道的数据进行编码并映射到共同语义空间来捕捉各模态间的关系。 - **概率分布建模**：采用贝叶斯网络或其他统计工具描述每种模式下目标变量的概率密度函数，从而更好地理解不确定性因素的影响。 - **注意力引导**：设计特殊的提示结构使得模型能够聚焦于最具代表性的部分，提高决策过程的有效性和准确性。 ```python import torch.nn as nn class MultimodalProbabilisticFusion(nn.Module): def __init__(self, text_encoder, image_encoder, audio_encoder): super(MultimodalProbabilisticFusion, self).__init__() self.text_encoder = text_encoder self.image_encoder = image_encoder self.audio_encoder = audio_encoder # 定义用于计算联合分布和其他必要组件的层... def forward(self, texts, images, audios): encoded_texts = self.text_encoder(texts) encoded_images = self.image_encoder(images) encoded_audios = self.audio_encoder(audios) # 实现具体的融合逻辑... return fused_representation ``` 这种方法不仅增强了系统的鲁棒性，还允许更灵活地处理各种实际应用场景下的复杂情况[^2]。 #### 应用场景举例 在社交媒体监控领域，可以通过整合用户的帖子内容（文字）、配图以及语音评论等多种信息源来进行更加全面的情感倾向评估；同样适用于客户服务系统中自动识别客户情绪状态以便及时提供适当支持等功能开发[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值