• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于CNN和注意力機(jī)制的微博情緒分析方法

    2020-01-03 12:04:30楊小兵姚雨虹
    關(guān)鍵詞:細(xì)粒度詞典卷積

    陳 欣,楊小兵,姚雨虹

    (中國(guó)計(jì)量大學(xué) 信息工程學(xué)院,浙江 杭州 310018)

    隨著社交網(wǎng)絡(luò)和電子商務(wù)的快速發(fā)展,微博、Twitter、微信、QQ、Face-book、淘寶、京東等社交網(wǎng)絡(luò)和購(gòu)物平臺(tái)給人們的生活帶來(lái)了很大的影響,越來(lái)越多的用戶喜歡在社交媒體上發(fā)表自己的看法,而不只是瀏覽和接收信息[1]。在國(guó)內(nèi),微博已經(jīng)成為許多年輕人分享和獲取信息的核心平臺(tái)。在這些信息中包含著喜、怒、哀、樂(lè)等個(gè)人情緒,對(duì)這些信息中的情緒進(jìn)行分析可以獲得用戶的內(nèi)心活動(dòng)、分析用戶的性格特點(diǎn)。分析人們對(duì)于公眾事件和社會(huì)現(xiàn)象的態(tài)度可以更好的檢測(cè)和控制事件進(jìn)展。因此,對(duì)微博等社交媒體中的文本進(jìn)行情緒分析有重要的意義[2]。

    情緒分析主要包含兩個(gè)任務(wù):情緒識(shí)別和情緒分類[3]。情緒識(shí)別就是判斷目標(biāo)文本是否包含情緒,情緒分類是在情緒識(shí)別的基礎(chǔ)上,從人類的心理學(xué)角度出發(fā),多維度地描述人的情緒狀況。本文選用的NLPCC2013和NLPCC2014數(shù)據(jù)集中包含有情緒和無(wú)情緒(None)兩大類[4],其中有情緒的文本包含七種基本情緒:喜愛(ài)(Like)、快樂(lè)(Happiness)、憤怒(Anger)、悲傷(Sadness)、恐懼(Fear)、驚訝(Surprise)、厭惡(Disgust)。

    目前,網(wǎng)絡(luò)上文本數(shù)據(jù)的情緒分析常用的研究方法主要分為三類:基于詞典和規(guī)則[5]的方法、基于傳統(tǒng)機(jī)器學(xué)習(xí)[6]的方法、基于深度學(xué)習(xí)[7-8]的方法?;谠~典和規(guī)則的情緒分類方法能夠體現(xiàn)文本的非結(jié)構(gòu)化特征,解釋性強(qiáng),運(yùn)算速度快。但是由于網(wǎng)絡(luò)詞匯比較復(fù)雜,高質(zhì)量的情緒詞典難以構(gòu)建,維護(hù)比較復(fù)雜且不易擴(kuò)展。傳統(tǒng)的機(jī)器學(xué)習(xí)方法主要通過(guò)對(duì)數(shù)據(jù)集進(jìn)行特征提取,訓(xùn)練分類模型,然后對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)。但是該方法依賴于提取的特征,而且需要構(gòu)建復(fù)雜的特征工程,并結(jié)合依存關(guān)系分析?;谏疃葘W(xué)習(xí)的方法利用神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)提取文本特征,神經(jīng)網(wǎng)絡(luò)的多層非線性結(jié)構(gòu)可以捕捉文本的深層次特征,實(shí)現(xiàn)對(duì)文本的深層理解。常用的深度學(xué)習(xí)模型包括:循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)[7]、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)[8]等。

    隨著深度學(xué)習(xí)在圖像視覺(jué)等領(lǐng)域取得優(yōu)異的成果[9],一些研究者開始將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于情感分析任務(wù)中。李等人[10]提出一種多通道雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型,將現(xiàn)有情感資源和語(yǔ)言知識(shí)與BLSTM相結(jié)合,獲取到更充分的情感信息。趙等人[11]將LSTM和CNN相結(jié)合,然后添加注意力機(jī)制,實(shí)現(xiàn)對(duì)文本隱式情感的分析。近年來(lái),注意力(Attention)機(jī)制成為自然語(yǔ)言處理領(lǐng)域的研究熱點(diǎn),并且取得不錯(cuò)的結(jié)果。Bahdanau等[12]最早將Attention應(yīng)用于機(jī)器翻譯任務(wù)中。Vaswani等人[13]使用Attention的方法做自然語(yǔ)言處理任務(wù),文中提出了一種Self-attention方法,使得每個(gè)詞語(yǔ)都能夠獲取全局語(yǔ)義信息。Li等人[14]將Self-attention和雙向LSTM相結(jié)合應(yīng)用于情感分類任務(wù)中,在準(zhǔn)確率上有很大提升。

    基于詞典和規(guī)則的傳統(tǒng)情感分析方法過(guò)度依賴詞典的作用,忽略了文本整體的語(yǔ)義關(guān)系,現(xiàn)有的深度學(xué)習(xí)方法直接對(duì)文本整體進(jìn)行編碼,沒(méi)有重視現(xiàn)有知識(shí)庫(kù)的作用。因此本文將情感語(yǔ)義信息和注意力機(jī)制的深度學(xué)習(xí)模型融合,并添加樣本平衡模塊,構(gòu)造了一種新的情緒分析模型(Attention convolution model combining fine-grained sentiment dictionary and sample balance,DB-AC)。

    本文的主要貢獻(xiàn)如下:

    1) 收集現(xiàn)有的情感資料,分別對(duì)情緒詞、情感詞以及詞匯的詞性進(jìn)行整合,構(gòu)建了一個(gè)包含情感信息、情緒信息、詞性信息的細(xì)粒度情感詞典,并將詞匯的情感信息融合到詞向量中。

    2) 提出了一種基于注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)的情緒分析方法,并將細(xì)粒度情感詞典和樣本平衡模塊融入模型中,通過(guò)設(shè)計(jì)相關(guān)實(shí)驗(yàn)驗(yàn)證了該模型在情緒分析任務(wù)和情感分類任務(wù)中的有效性。

    3) 通過(guò)設(shè)計(jì)實(shí)驗(yàn),驗(yàn)證了在深度學(xué)習(xí)模型中引入細(xì)粒度情感詞典和樣本平衡模塊對(duì)情緒分析任務(wù)的提升作用。實(shí)驗(yàn)證明,本文模型的性能超越了傳統(tǒng)的深度學(xué)習(xí)模型。

    1 細(xì)粒度情感詞典構(gòu)建

    傳統(tǒng)的融合情感詞典的模型,只把正面情感詞、負(fù)面情感詞、程度副詞、否定詞作為特征,融合在文本轉(zhuǎn)化的詞向量中。本文對(duì)現(xiàn)有的情感詞典進(jìn)行整理,構(gòu)建了細(xì)粒度微博情感詞典。其中,程度副詞、否定詞、主張?jiān)~主要基于董振東構(gòu)建的知網(wǎng)《Hownet》情感詞典進(jìn)行構(gòu)建;正面情感詞、負(fù)面情感詞是根據(jù)《Hownet》情感詞典和大連理工大學(xué)的《情感本體庫(kù)》[15]進(jìn)行匯總;情緒分類和詞性種類以《情感本體庫(kù)》為依據(jù);并構(gòu)建了否定詞詞典。如表1所示。

    2 模型描述

    本文提出的DB-AC模型首先對(duì)中文微博文本進(jìn)行預(yù)處理,將微博文本轉(zhuǎn)化為包含細(xì)粒度情感信息的詞向量,然后添加平衡樣本模塊,將處理后的詞向量輸入到Attention模型中,再經(jīng)過(guò)卷積層進(jìn)行特征提取,池化層選擇局部最優(yōu)特征,輸入到一個(gè)多層感知器(MLP),最后對(duì)輸出的向量使用Softmax分類器進(jìn)行計(jì)算。根據(jù)功能的不同,本文將模型分為三個(gè)層次,詞向量輸入層、語(yǔ)義獲取層、情緒分類輸出層。整體架構(gòu)如圖1所示。

    圖1 DB-AC模型結(jié)構(gòu)圖Figure 1 DB-AC model diagram

    2.1 詞向量輸入層

    詞向量輸入層為整個(gè)模型的輸入,主要包括三部分:文本預(yù)處理、詞向量表示、平衡樣本。

    微博文本的預(yù)處理分為數(shù)據(jù)清洗和中文分詞兩個(gè)步驟。數(shù)據(jù)清洗是刪除和情緒分析無(wú)關(guān)的信息,如微博文本中的鏈接、@用戶、一些標(biāo)點(diǎn)符號(hào)等。目前常用的中文分詞工具有結(jié)巴分詞、哈工大LTP分詞、中科院計(jì)算所設(shè)計(jì)的NLPIR分詞等,本文使用結(jié)巴分詞作為分詞工具。

    詞向量由四部分組成:文本向量VT、詞性向量VP、情感向量VE、情緒向量VM。其中,文本向量的獲取可以看作查詞典的過(guò)程。詞典中單個(gè)向量的維度為d,詞語(yǔ)個(gè)數(shù)為N,詞典Vd×N通過(guò)大規(guī)模語(yǔ)料采用詞向量訓(xùn)練模型得到。本文采用的是北京師范大學(xué)中文信息處理研究所與中國(guó)人民大學(xué)DBIIR實(shí)驗(yàn)室[16-17]開源的中文微博詞向量。對(duì)于一個(gè)文本序列T={t1,t2,…,tn},將文本中詞語(yǔ)的詞向量拼接起來(lái),就可以得到整個(gè)文本序列的詞向量表示,拼接方式如式(1)所示:

    VT=V1⊕V2⊕…⊕Vn

    (1)

    其中:Vi∈Vd×n表示ti對(duì)應(yīng)于詞典中的元素,⊕表示行向量拼接操作。訓(xùn)練模型得到的詞向量能夠很好地表示詞語(yǔ)的語(yǔ)義信息,但是忽略了詞語(yǔ)的情感信息、詞性信息,因此本文加入了詞性向量、情感向量和情緒向量。根據(jù)《情感詞匯本體庫(kù)》的分類標(biāo)準(zhǔn),詞性分為7類,分別是名詞(Noun)、動(dòng)詞(Verb)、形容詞(Adj)、副詞(Adv)、網(wǎng)絡(luò)詞語(yǔ)(Nw)、成語(yǔ)(Idiom)、介詞短語(yǔ)(Prep)。情緒也分為7類:樂(lè)(Happiness)、好(Like)、怒(Anger)、哀(Sadness)、懼(Fear)、惡(Disgust)、驚(Surprise)。詞性信息和情緒信息采用類似One-hot編碼方式分別表示為7維向量VP和VM。情感分為6類,分別是正面情緒詞、負(fù)面情緒詞、程度副詞、主張?jiān)~、否定詞、中性詞,表示為6維向量VE。為了降低稀疏性,VP、VM和VE都初始化為[-0.1,0.1]之間的隨機(jī)值。最后將文本向量和情緒信息融合在一起構(gòu)造出詞向量X作為輸入,如公式(2)所示:

    X=VT⊕VP⊕VE⊕VM

    (2)

    2.2 語(yǔ)義獲取層

    由于樣本類別嚴(yán)重不均衡,所以在語(yǔ)義獲取之前添加一步樣本平衡操作。本文采用的樣本平衡技術(shù)是將欠采樣和過(guò)采樣有效結(jié)合。具體過(guò)程如下:樣本數(shù)設(shè)定為m條,首先使用隨機(jī)欠采樣方法對(duì)大于m條的數(shù)據(jù)執(zhí)行m次欠采樣,然后對(duì)于低于m條的數(shù)據(jù)執(zhí)行m次過(guò)采樣。最后,得到w組平衡樣本,然后將w組平衡樣本合并到訓(xùn)練集樣本中進(jìn)行訓(xùn)練,如圖2所示。

    圖2 樣本平衡模塊示意圖Figure 2 Sample balance module diagram

    在文本情緒分析的過(guò)程中,為了提高模型效果,除了需要考慮詞語(yǔ)之間的語(yǔ)義依賴關(guān)系,還要考慮各詞語(yǔ)對(duì)于情緒分類的影響程度,影響較大的詞語(yǔ)需要賦予更高的權(quán)重。因此需要添加注意力機(jī)制,從輸入數(shù)據(jù)中找到顯著相關(guān)信息。CNN方便并行,而且容易捕捉到一些全局的結(jié)構(gòu)信息。因此,本文采用CNN和注意力機(jī)制對(duì)微博文本的語(yǔ)義信息進(jìn)行分析。

    2.2.1 Attention層

    本文將詞向量輸入到注意力機(jī)制中,注意力機(jī)制對(duì)微博文本和情緒詞合成的詞向量進(jìn)行處理,確定顯著信息。Attention函數(shù)的本質(zhì)可以被描述為一個(gè)查詢(Query)到一系列鍵值(Key-Value)對(duì)的映射,如圖3所示:

    圖3 Attention函數(shù)示意圖Figure 3 Attention function diagram

    Attention計(jì)算主要分為三步:第一步是計(jì)算Query和每個(gè)Key的相似度,獲取權(quán)重,常用的相似度函數(shù)有點(diǎn)積、拼接、感知機(jī)等;第二步是使用Softmax函數(shù)對(duì)這些權(quán)重進(jìn)行歸一化;最后將權(quán)重和相應(yīng)的鍵值Value加權(quán)求和得到結(jié)果。目前在NLP研究中,Key和Value通常用同一值表示,即Key=Value。其函數(shù)如公式(3)所示:

    (3)

    其中Q∈Rn×dk,K∈Rm×dk,V∈Rm×dk。Attention層作用是將n×dk的序列Q編碼成了一個(gè)新的n×dv的序列。本文采用Self-Attention結(jié)構(gòu),即Attention(X,X,X),X表示輸入序列。

    2.2.2 卷積層

    卷積層可以通過(guò)不同的卷積核對(duì)輸入的序列進(jìn)行局部特征提取。長(zhǎng)度為h的卷積核可以把序列分為{X0:h-1,X1:h,…,Xi:i+h-1,…,Xn-h+1:n},對(duì)每一個(gè)分量做卷積操作得到卷積特征如下:

    C=(c1,c2,…,cn-h+1)

    (4)

    其中,ci是對(duì)分量Xi:i+h-1進(jìn)行卷積操作后提取的特征。每次滑動(dòng)窗口得到的ci計(jì)算如下:

    ci=relu(W·Xi:i+h-1+b)

    (5)

    W為卷積核權(quán)重,b為偏置。

    2.2.3 池化層

    池化層就是對(duì)卷積后得到的特征矩陣C執(zhí)行下采樣操作,從中選取局部最優(yōu)特征,本文采用的是最大池化進(jìn)行采樣,得到的特征表示為:

    li=max(c1,c2,…,cn-h+1)

    (6)

    之后將得到的特征組合得到向量L:

    L=(l1,l2,…,ln)

    (7)

    2.3 情緒分類輸出層

    最后,將前一層輸入到一個(gè)多層感知器(MLP),得到更高層的特征表示。本文的模型選擇不含任何隱含層的MLP,對(duì)其輸出向量進(jìn)行非線性函數(shù)f變換,得到情緒標(biāo)簽的得分向量:

    Score(S)=f(WhL+bh)

    (8)

    其中:Score(S)∈R|M|為情緒標(biāo)簽的得分向量;M表示情緒標(biāo)簽集合;Wh和bh分別為MLP的參數(shù)矩陣和偏置量,本文采用RELU函數(shù)完成非線性變換。然后對(duì)情緒得分向量執(zhí)行Softmax運(yùn)算:

    (9)

    3 實(shí)驗(yàn)與分析

    3.1 數(shù)據(jù)集

    本文采用NLPCC2013和NLPCC2014情感評(píng)測(cè)任務(wù)的兩個(gè)公開數(shù)據(jù)集組織實(shí)驗(yàn),每個(gè)數(shù)據(jù)集中均包含一個(gè)訓(xùn)練集和一個(gè)測(cè)試集。數(shù)據(jù)集中的內(nèi)容來(lái)自新浪微博,每條微博都有一個(gè)情感標(biāo)簽,共有8種不同的情感標(biāo)簽,即None、Happiness、Like、Sadness、Disgust、Anger、Fear和Surprise。兩個(gè)數(shù)據(jù)集的統(tǒng)計(jì)信息如表2所示。其中,2014年的訓(xùn)練集(14 train)中有兩條微博的文本內(nèi)容為空,將其移除,最終得到13 998條微博。

    表2 各情緒數(shù)據(jù)統(tǒng)計(jì)表Table 2 Statistics of each emotion

    由表2可以看出,8種標(biāo)簽下的數(shù)據(jù)比例很不均衡,所以本文添加樣本平衡模塊先進(jìn)行數(shù)據(jù)預(yù)處理。為了進(jìn)一步驗(yàn)證本文提出的模型性能,設(shè)計(jì)了情緒識(shí)別任務(wù)和正負(fù)情感分類任務(wù)。在正負(fù)情感分類任務(wù)中,將Happiness和Like作為正向標(biāo)簽,Anger、Sadness、Fear、Disgust作為負(fù)向標(biāo)簽。情緒識(shí)別任務(wù)中,將none作為客觀標(biāo)簽,其他7項(xiàng)作為正向標(biāo)簽。兩個(gè)實(shí)驗(yàn)的數(shù)據(jù)集劃分如表3所示:

    表3 情感二分類數(shù)據(jù)集Table 3 Sentiment binary classification dataset

    3.2 模型參數(shù)設(shè)置

    參數(shù)設(shè)置會(huì)直接影響模型效果,通過(guò)不斷調(diào)參優(yōu)化,本文提出的DB-AC模型參數(shù)如表4所示。

    表4 模型參數(shù)設(shè)置Table 4 Model parameter settings

    3.3 實(shí)驗(yàn)對(duì)比模型

    MNB模型(Multinomial na?ve bays):MNB模型是傳統(tǒng)機(jī)器學(xué)習(xí)的代表,在很多情感分類任務(wù)中都取得了優(yōu)秀的效果。

    CNN模型(Multichannel convolutional neural network):該模型采用多通道卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行情感分類,這是早期研究者采用卷積神經(jīng)網(wǎng)絡(luò)做自然語(yǔ)言處理任務(wù)的模型之一。

    ATT模型(Self-Attention):該模型直接使用自注意力模型訓(xùn)練進(jìn)行分類。

    ATT-CNN模型(Attention convolutional neural network model):該模型通過(guò)多通道卷積神經(jīng)網(wǎng)絡(luò)和自注意力模型進(jìn)行融合實(shí)現(xiàn)情緒分析。

    E-AC模型(Attention convolution model combining sentiment dictionary):該模型使用傳統(tǒng)的情感詞典與詞向量相融合,然后通過(guò)多通道卷積神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制做訓(xùn)練。

    D-AC模型(Attention convolution model combining fine-grained sentiment dictionary):該模型在詞向量中融合細(xì)粒度情感信息,然后通過(guò)多通道卷積神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制訓(xùn)練模型。

    DB-AC模型:該模型在詞向量中融合細(xì)粒度情感信息,然后添加樣本平衡模塊,最后通過(guò)多通道卷積神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制進(jìn)行訓(xùn)練。

    3.4 實(shí)驗(yàn)結(jié)果分析

    3.4.1 NLPCC情感測(cè)評(píng)任務(wù)

    按照NLPCC的中文微博情感評(píng)測(cè)任務(wù)的相關(guān)要求和評(píng)價(jià)指標(biāo),本文分別對(duì)NLPCC2013和NLPCC2014數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)分析,結(jié)果如表5和表6所示:

    表5 NLPCC2013實(shí)驗(yàn)結(jié)果Table 5 NLPCC2013 experimental results

    表6 NLPCC2014實(shí)驗(yàn)結(jié)果Table 6 NLPCC2014 experimental results

    從表5和表6可以看出,DB-AC模型在所有的指標(biāo)上都取得最好的結(jié)果,與D-AC模型相比在2013年數(shù)據(jù)集上,F-measure提升了0.06%,微平均F1和宏平均F1分別提升了0.71%和0.41%,2014年數(shù)據(jù)集上,F-measure提升了0.04%,微平均F1和宏平均F1分別提升了1.96%和2.31%。此外,對(duì)于宏平均F1和微平均F1的效果有明顯提升。宏平均F1和微平均F1是對(duì)情緒進(jìn)行識(shí)別,不同標(biāo)簽數(shù)據(jù)量差別很大,比如2013年訓(xùn)練集中“Like”有595條、“Fear”有49條,樣本量嚴(yán)重不均衡,所以樣本平衡模塊的添加對(duì)于宏平均和微平均的影響比較顯著。

    D-AC模型的效果僅次于DB-AC模型,在兩個(gè)數(shù)據(jù)集上實(shí)驗(yàn)總體排第2位。與傳統(tǒng)情感詞典的E-AC模型相比,在2013年數(shù)據(jù)集上,F-measure提高0.44%,微平均F1和宏平均F1分別提升0.24%和0.28%,2014年數(shù)據(jù)集上,分別提升0.86%、0.26%和0.63%。體現(xiàn)了細(xì)粒度情感詞典的分類效果要好于傳統(tǒng)的情感詞典。

    本文提出的DB-AC模型在2014年數(shù)據(jù)集上的宏平均和微平均值明顯比2013年效果好,是因?yàn)?014年訓(xùn)練集是13 988條而2013年訓(xùn)練集只有4 000條,數(shù)據(jù)量提升后模型得到更充分的訓(xùn)練。而2014年數(shù)據(jù)集的F-measure普遍低于2013年,說(shuō)明2014年情緒識(shí)別任務(wù)的難度高于2013年,與文獻(xiàn)[18-20]的結(jié)論一致。

    此外,D-AC模型和DB-AC模型的效果明顯優(yōu)于ATT-CNN模型,說(shuō)明細(xì)粒度情感詞典的引入對(duì)情緒分析任務(wù)有很大幫助。

    3.4.2 情緒識(shí)別任務(wù)

    為了充分驗(yàn)證細(xì)粒度情感詞典和樣本平衡模塊對(duì)于情緒識(shí)別任務(wù)性能的影響,本文將添加以下實(shí)驗(yàn)進(jìn)行比分析:以CNN、ATT(Self-Attention)、ATT-CNN模型為基準(zhǔn)模型,分別添加情感詞典(傳統(tǒng))、情感詞典(細(xì)粒度)、情感詞典(細(xì)粒度)+樣本平衡模塊進(jìn)行實(shí)驗(yàn),使用NLPCC2013和NLPCC2014的數(shù)據(jù)集分別驗(yàn)證,實(shí)驗(yàn)結(jié)果采用F-measure作為指標(biāo)進(jìn)行評(píng)價(jià),如圖4、圖5所示:

    圖4 NLPCC2013情緒識(shí)別任務(wù)Figure 4 NLPCC2013 emotion recognition task

    圖5 NLPCC2014情緒識(shí)別任務(wù)Figure 5 NLPCC2014 emotion recognition task

    從圖4和圖5中可以看出,在主客觀分類實(shí)驗(yàn)中ATT-CNN系列模型都取得了最好的結(jié)果,說(shuō)明自注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)的融合對(duì)于微博文本情緒識(shí)別任務(wù)有明顯的提升。添加情感詞典(細(xì)粒度)的模型效果都優(yōu)于情感詞典(傳統(tǒng))的效果,表明了細(xì)粒度情感詞典相比較傳統(tǒng)的情感詞典可以更好地識(shí)別主客觀特征。對(duì)于所有的模型,添加情感詞典的效果都有明顯提升,說(shuō)明情感特征對(duì)于情緒分析任務(wù)有很大的幫助。

    此外,樣本平衡模塊的添加對(duì)于各組實(shí)驗(yàn)F-measure的結(jié)果影響不太明顯,這是因?yàn)榍榫w識(shí)別任務(wù)判斷微博是否包含情緒,有無(wú)情緒的數(shù)據(jù)分別有7 247條和6 753條數(shù)據(jù)(2013數(shù)據(jù)集),9 804條和10 194條數(shù)據(jù)(2014數(shù)據(jù)集),樣本已經(jīng)比較均衡,所以影響不是很大。

    3.4.3 正負(fù)情感分類任務(wù)

    正負(fù)情感分類任務(wù)同樣是二分類問(wèn)題,其中2013年數(shù)據(jù)集中有3 596條正向情感文本、3 317條負(fù)向情感文本;在2014年數(shù)據(jù)集上正負(fù)情感文本分別有5 146條與4 134條。實(shí)驗(yàn)結(jié)果如圖6、圖7所示。

    圖6和圖7的結(jié)果表明,在正負(fù)情感分類任務(wù)中,融合細(xì)粒度情感詞典并添加樣本平衡模塊的ATT-CNN模型仍然取得了最好的結(jié)果。其中,各組實(shí)驗(yàn)中,融合細(xì)粒度情感詞典的模型性能都高于傳統(tǒng)的情感詞典,這說(shuō)明細(xì)粒度的情感詞典對(duì)于正負(fù)情感分類實(shí)驗(yàn)同樣具有較大貢獻(xiàn)。其中2014年數(shù)據(jù)集上的結(jié)果明顯優(yōu)于2013年,是因?yàn)?014年的樣本數(shù)據(jù)量比2013年多,模型得到更充分的訓(xùn)練。

    圖6 NLPCC2013正負(fù)情感分類結(jié)果Figure 6 Positive and negative sentiment classification results from NLPCC2013

    圖7 NLPCC2014正負(fù)情感分類結(jié)果Figure 7 positive and negative sentiment classification results from NLPCC2014

    4 結(jié) 語(yǔ)

    本文提出了一種基于CNN和注意力機(jī)制的微博情緒分析模型,利用現(xiàn)有的情感分析資源構(gòu)建了一個(gè)包含情感語(yǔ)料、情緒語(yǔ)料、語(yǔ)義信息的細(xì)粒度情感詞典。將情感詞典和注意力機(jī)制相結(jié)合,有效地增強(qiáng)了模型對(duì)于微博文本情緒的分析能力。通過(guò)兩個(gè)數(shù)據(jù)集的實(shí)驗(yàn)驗(yàn)證,細(xì)粒度情感詞典能夠提高情緒分析的性能。同時(shí),本模型添加的樣本平衡模塊,有效降低了樣本不均衡對(duì)于模型的影響。本文提出的模型在NLPCC2013和NLPCC2014中文微博情緒分析任務(wù)中表現(xiàn)出優(yōu)越的性能。下一步將對(duì)詞性信息對(duì)于情緒分析的影響做更詳細(xì)的分析。

    猜你喜歡
    細(xì)粒度詞典卷積
    融合判別性與細(xì)粒度特征的抗遮擋紅外目標(biāo)跟蹤算法
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    細(xì)粒度的流計(jì)算執(zhí)行效率優(yōu)化方法
    米沃什詞典
    文苑(2019年24期)2020-01-06 12:06:50
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    基于雙線性卷積網(wǎng)絡(luò)的細(xì)粒度圖像定位
    評(píng)《現(xiàn)代漢語(yǔ)詞典》(第6版)
    詞典例證翻譯標(biāo)準(zhǔn)探索
    支持細(xì)粒度權(quán)限控制且可搜索的PHR云服務(wù)系統(tǒng)
    成年免费大片在线观看| 精品人妻视频免费看| 蜜臀久久99精品久久宅男| 人人妻人人看人人澡| 高清视频免费观看一区二区| www.av在线官网国产| 亚洲av日韩在线播放| 2022亚洲国产成人精品| 亚洲av成人精品一二三区| 精品午夜福利在线看| 亚洲色图综合在线观看| 熟女人妻精品中文字幕| 久久久久久久亚洲中文字幕| 蜜桃亚洲精品一区二区三区| 91狼人影院| 内射极品少妇av片p| 国内精品美女久久久久久| 五月伊人婷婷丁香| 男女国产视频网站| 丝袜脚勾引网站| 国产老妇伦熟女老妇高清| 国产精品蜜桃在线观看| 日韩欧美一区视频在线观看 | 久久人人爽人人片av| 国产一级毛片在线| 亚洲无线观看免费| 寂寞人妻少妇视频99o| 中文字幕av成人在线电影| 精品一区二区三卡| av线在线观看网站| 亚洲国产成人一精品久久久| 亚洲精品中文字幕在线视频 | 五月天丁香电影| 亚洲色图综合在线观看| 舔av片在线| 国产成人福利小说| 97超视频在线观看视频| 欧美bdsm另类| 午夜福利高清视频| 国产熟女欧美一区二区| 亚洲色图av天堂| 久久鲁丝午夜福利片| 在线观看人妻少妇| 一级爰片在线观看| 欧美一级a爱片免费观看看| 成人欧美大片| 亚洲国产精品国产精品| 午夜老司机福利剧场| 亚洲aⅴ乱码一区二区在线播放| 2021天堂中文幕一二区在线观| 美女cb高潮喷水在线观看| 婷婷色综合www| 国产高清有码在线观看视频| 日韩强制内射视频| 久久久久精品久久久久真实原创| 五月伊人婷婷丁香| 美女主播在线视频| 黄片wwwwww| 欧美日韩视频精品一区| 欧美三级亚洲精品| 欧美日韩一区二区视频在线观看视频在线 | 国产精品av视频在线免费观看| 精品一区在线观看国产| 狂野欧美激情性bbbbbb| 秋霞伦理黄片| 久久久亚洲精品成人影院| 免费不卡的大黄色大毛片视频在线观看| 免费观看性生交大片5| 亚洲av免费高清在线观看| 中文字幕亚洲精品专区| 女人久久www免费人成看片| 神马国产精品三级电影在线观看| 国产精品三级大全| 国产黄片视频在线免费观看| 欧美性猛交╳xxx乱大交人| 中文字幕免费在线视频6| 亚洲人与动物交配视频| 王馨瑶露胸无遮挡在线观看| 日韩伦理黄色片| 国产亚洲5aaaaa淫片| 视频区图区小说| 国产 一区精品| 又大又黄又爽视频免费| 26uuu在线亚洲综合色| 最近最新中文字幕免费大全7| 国产精品三级大全| 亚洲精品久久午夜乱码| 最近2019中文字幕mv第一页| 五月天丁香电影| 99九九线精品视频在线观看视频| 在线观看免费高清a一片| 亚洲人与动物交配视频| 女人被狂操c到高潮| 最近最新中文字幕大全电影3| 久久久精品免费免费高清| 日韩国内少妇激情av| 国产乱来视频区| 人妻少妇偷人精品九色| 亚洲欧美日韩另类电影网站 | 久久久精品欧美日韩精品| 免费观看无遮挡的男女| 五月天丁香电影| 狠狠精品人妻久久久久久综合| 美女被艹到高潮喷水动态| 三级经典国产精品| 亚洲精品日韩在线中文字幕| 国产精品久久久久久精品电影| 亚洲av一区综合| 男人和女人高潮做爰伦理| 伊人久久国产一区二区| 国产永久视频网站| 综合色丁香网| 尤物成人国产欧美一区二区三区| 男的添女的下面高潮视频| 日韩强制内射视频| 高清毛片免费看| 精品国产露脸久久av麻豆| 成人国产麻豆网| 国语对白做爰xxxⅹ性视频网站| 精品久久久噜噜| 国产永久视频网站| 久久6这里有精品| 国产在线一区二区三区精| 你懂的网址亚洲精品在线观看| 精品午夜福利在线看| 狂野欧美白嫩少妇大欣赏| 色5月婷婷丁香| 91aial.com中文字幕在线观看| 国精品久久久久久国模美| 亚洲国产精品国产精品| 日韩av在线免费看完整版不卡| 久久影院123| 中文字幕制服av| 国产老妇女一区| 啦啦啦在线观看免费高清www| av女优亚洲男人天堂| 18+在线观看网站| 欧美日韩视频精品一区| 亚洲最大成人手机在线| 高清视频免费观看一区二区| 久久久久久久久大av| videossex国产| 色视频www国产| 嫩草影院精品99| 国产成人精品婷婷| 国产精品久久久久久av不卡| 国产av国产精品国产| 亚洲av免费高清在线观看| 熟女人妻精品中文字幕| 麻豆国产97在线/欧美| 免费播放大片免费观看视频在线观看| 中国三级夫妇交换| 国产一区亚洲一区在线观看| 日韩av免费高清视频| 街头女战士在线观看网站| 国产爽快片一区二区三区| 高清在线视频一区二区三区| 午夜精品一区二区三区免费看| 18+在线观看网站| 大陆偷拍与自拍| 亚洲av国产av综合av卡| 草草在线视频免费看| 少妇人妻 视频| 国产av不卡久久| 日本猛色少妇xxxxx猛交久久| 欧美一区二区亚洲| videossex国产| 国产男女内射视频| 精品久久国产蜜桃| 一级二级三级毛片免费看| 一级毛片久久久久久久久女| 国产男人的电影天堂91| 国产成人免费观看mmmm| 97人妻精品一区二区三区麻豆| 我的女老师完整版在线观看| 日韩三级伦理在线观看| 久久久久国产精品人妻一区二区| 亚洲人成网站在线观看播放| 黄片无遮挡物在线观看| 2021少妇久久久久久久久久久| 涩涩av久久男人的天堂| 插逼视频在线观看| 日本色播在线视频| 成年人午夜在线观看视频| 免费黄频网站在线观看国产| 少妇人妻一区二区三区视频| 丝袜美腿在线中文| 少妇的逼水好多| 国产乱人视频| eeuss影院久久| 丰满少妇做爰视频| av在线老鸭窝| 午夜福利在线在线| 久久人人爽av亚洲精品天堂 | 美女xxoo啪啪120秒动态图| 亚洲精品成人av观看孕妇| 18+在线观看网站| av在线观看视频网站免费| 一级二级三级毛片免费看| 亚洲精品日本国产第一区| 欧美人与善性xxx| 国产精品福利在线免费观看| 一区二区三区乱码不卡18| 真实男女啪啪啪动态图| 久久精品久久久久久噜噜老黄| 午夜福利视频精品| 尤物成人国产欧美一区二区三区| 黄片无遮挡物在线观看| 一区二区三区免费毛片| 亚洲无线观看免费| 国产成人91sexporn| 国产成人aa在线观看| 成人午夜精彩视频在线观看| 美女国产视频在线观看| 久久国内精品自在自线图片| 成人综合一区亚洲| av福利片在线观看| 国产男人的电影天堂91| 国产乱人偷精品视频| 夜夜看夜夜爽夜夜摸| 777米奇影视久久| 水蜜桃什么品种好| 久久久久久久久久成人| 丰满人妻一区二区三区视频av| 婷婷色综合www| av黄色大香蕉| 一级毛片黄色毛片免费观看视频| av在线播放精品| 欧美成人午夜免费资源| 国产黄片美女视频| 欧美国产精品一级二级三级 | 免费观看无遮挡的男女| 国产高清三级在线| 亚洲怡红院男人天堂| 国内精品宾馆在线| 一个人看的www免费观看视频| 99久久中文字幕三级久久日本| 热re99久久精品国产66热6| 伊人久久精品亚洲午夜| 亚洲欧美精品专区久久| 人妻少妇偷人精品九色| 国产成人精品福利久久| 中国国产av一级| 国产视频内射| 国产乱人视频| 国产精品三级大全| 亚洲精品乱码久久久v下载方式| 成人一区二区视频在线观看| 免费电影在线观看免费观看| 国产中年淑女户外野战色| 欧美+日韩+精品| 国产一区亚洲一区在线观看| 一级av片app| 国产精品一区二区在线观看99| 舔av片在线| 欧美3d第一页| 国内少妇人妻偷人精品xxx网站| 美女xxoo啪啪120秒动态图| 国产精品女同一区二区软件| 亚洲天堂国产精品一区在线| 三级国产精品欧美在线观看| 国产成人免费观看mmmm| 一级黄片播放器| 国产精品国产av在线观看| www.色视频.com| 国产美女午夜福利| 看免费成人av毛片| av又黄又爽大尺度在线免费看| 丝袜美腿在线中文| 欧美极品一区二区三区四区| 别揉我奶头 嗯啊视频| 免费看光身美女| 国产免费福利视频在线观看| 亚洲成人精品中文字幕电影| 久久久精品94久久精品| 日韩亚洲欧美综合| 精品人妻一区二区三区麻豆| 国产白丝娇喘喷水9色精品| 久久精品人妻少妇| 91久久精品国产一区二区三区| 国产精品久久久久久av不卡| 免费看av在线观看网站| 午夜精品一区二区三区免费看| 夫妻性生交免费视频一级片| 日韩av在线免费看完整版不卡| 最近最新中文字幕免费大全7| 91精品伊人久久大香线蕉| 免费观看无遮挡的男女| 麻豆国产97在线/欧美| 精品久久久久久久久av| 欧美激情在线99| a级毛色黄片| 日韩一区二区视频免费看| 欧美xxⅹ黑人| 国产成人免费观看mmmm| 国产免费视频播放在线视频| 久久久久国产精品人妻一区二区| 久热久热在线精品观看| 美女视频免费永久观看网站| 美女视频免费永久观看网站| 狂野欧美激情性bbbbbb| 女人被狂操c到高潮| 欧美3d第一页| 18禁动态无遮挡网站| 在线亚洲精品国产二区图片欧美 | 久久久久精品久久久久真实原创| 国产精品女同一区二区软件| 欧美日韩视频高清一区二区三区二| 在线观看美女被高潮喷水网站| 如何舔出高潮| 国产白丝娇喘喷水9色精品| 有码 亚洲区| 亚洲不卡免费看| 国内精品美女久久久久久| 69av精品久久久久久| 成人欧美大片| 菩萨蛮人人尽说江南好唐韦庄| 人妻少妇偷人精品九色| 国产精品麻豆人妻色哟哟久久| 91午夜精品亚洲一区二区三区| 在线观看国产h片| 国产精品蜜桃在线观看| 日本熟妇午夜| 国产免费一级a男人的天堂| av在线观看视频网站免费| 日本wwww免费看| 插阴视频在线观看视频| 国产一级毛片在线| 国产成人一区二区在线| av.在线天堂| 亚洲精品,欧美精品| 中文精品一卡2卡3卡4更新| 一二三四中文在线观看免费高清| 亚洲欧洲国产日韩| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 日韩精品有码人妻一区| 毛片一级片免费看久久久久| 精品人妻一区二区三区麻豆| 日韩欧美 国产精品| 美女xxoo啪啪120秒动态图| 啦啦啦啦在线视频资源| 亚洲最大成人中文| av国产免费在线观看| 视频中文字幕在线观看| 久久久久久久大尺度免费视频| av在线老鸭窝| 精品国产一区二区三区久久久樱花 | 久久热精品热| 国产精品秋霞免费鲁丝片| 久久久精品94久久精品| 美女内射精品一级片tv| 观看美女的网站| 18禁在线播放成人免费| 亚洲欧美一区二区三区国产| 亚洲成人一二三区av| 80岁老熟妇乱子伦牲交| 亚洲色图av天堂| 26uuu在线亚洲综合色| 国内精品美女久久久久久| 中文字幕av成人在线电影| av免费观看日本| 精品午夜福利在线看| 久久久国产一区二区| 五月玫瑰六月丁香| 欧美一区二区亚洲| 99热这里只有是精品在线观看| 欧美日本视频| 天天一区二区日本电影三级| 欧美区成人在线视频| 插逼视频在线观看| 国内精品美女久久久久久| 国产黄频视频在线观看| 亚州av有码| 精品一区在线观看国产| 五月玫瑰六月丁香| 午夜老司机福利剧场| 三级国产精品片| 在线观看一区二区三区激情| 又黄又爽又刺激的免费视频.| 99久久精品一区二区三区| 亚洲人成网站在线观看播放| 国产黄片美女视频| 久久99蜜桃精品久久| 国产精品一及| 亚洲精品国产成人久久av| 91久久精品国产一区二区三区| 日日摸夜夜添夜夜爱| 午夜激情福利司机影院| 国产久久久一区二区三区| 看黄色毛片网站| 91久久精品电影网| 亚洲怡红院男人天堂| 欧美国产精品一级二级三级 | 岛国毛片在线播放| av福利片在线观看| 日韩一本色道免费dvd| 交换朋友夫妻互换小说| 国产精品福利在线免费观看| 国产男女内射视频| 亚洲aⅴ乱码一区二区在线播放| 日本欧美国产在线视频| 在现免费观看毛片| 成人二区视频| 新久久久久国产一级毛片| 人妻 亚洲 视频| 免费大片黄手机在线观看| 亚洲第一区二区三区不卡| 亚洲精品久久久久久婷婷小说| 精品一区二区免费观看| 亚洲av成人精品一二三区| 国产一区二区在线观看日韩| 又大又黄又爽视频免费| 丰满乱子伦码专区| 97超视频在线观看视频| 综合色av麻豆| 青青草视频在线视频观看| 能在线免费看毛片的网站| tube8黄色片| 你懂的网址亚洲精品在线观看| 身体一侧抽搐| 婷婷色麻豆天堂久久| 国产视频首页在线观看| 欧美成人一区二区免费高清观看| 国产中年淑女户外野战色| 久久久久国产精品人妻一区二区| 亚洲天堂国产精品一区在线| 国产一区二区三区综合在线观看 | 亚洲av中文字字幕乱码综合| 国产伦在线观看视频一区| 色视频www国产| 99久久人妻综合| 国产成人a区在线观看| av线在线观看网站| 人人妻人人爽人人添夜夜欢视频 | 国产在视频线精品| 三级国产精品片| 日韩成人伦理影院| 全区人妻精品视频| 少妇人妻 视频| 国产精品爽爽va在线观看网站| 午夜福利视频1000在线观看| 又爽又黄a免费视频| 在线观看av片永久免费下载| 天美传媒精品一区二区| 特大巨黑吊av在线直播| 欧美最新免费一区二区三区| 街头女战士在线观看网站| 国产老妇伦熟女老妇高清| 国产免费又黄又爽又色| 91午夜精品亚洲一区二区三区| 欧美一区二区亚洲| 中文字幕免费在线视频6| 国产精品一区二区性色av| 色视频在线一区二区三区| 狠狠精品人妻久久久久久综合| 成人综合一区亚洲| 国产亚洲av片在线观看秒播厂| 看十八女毛片水多多多| 中文欧美无线码| a级毛片免费高清观看在线播放| 国产精品伦人一区二区| 国产在线男女| 国产女主播在线喷水免费视频网站| 视频区图区小说| 大香蕉97超碰在线| 国产精品不卡视频一区二区| 日本色播在线视频| 狂野欧美激情性xxxx在线观看| 丝袜脚勾引网站| 黄色欧美视频在线观看| 三级国产精品欧美在线观看| 久久久午夜欧美精品| 久久久精品94久久精品| 51国产日韩欧美| 国产精品人妻久久久久久| 国产有黄有色有爽视频| 国产精品国产三级国产av玫瑰| 高清欧美精品videossex| 成年女人在线观看亚洲视频 | 午夜福利网站1000一区二区三区| 色哟哟·www| 亚洲欧美日韩另类电影网站 | 3wmmmm亚洲av在线观看| 久久97久久精品| 国产色婷婷99| 夜夜看夜夜爽夜夜摸| 久久久久精品久久久久真实原创| 一区二区三区四区激情视频| 国产成人a区在线观看| 99视频精品全部免费 在线| 午夜福利在线观看免费完整高清在| 啦啦啦在线观看免费高清www| 日本爱情动作片www.在线观看| 日韩 亚洲 欧美在线| 91狼人影院| 国内精品美女久久久久久| 国产极品天堂在线| 成人漫画全彩无遮挡| 久久久久性生活片| 免费av不卡在线播放| 亚洲内射少妇av| 国产精品久久久久久精品古装| 亚洲欧美精品自产自拍| 综合色av麻豆| 欧美成人精品欧美一级黄| 亚洲色图av天堂| 九九久久精品国产亚洲av麻豆| 成人二区视频| 人人妻人人澡人人爽人人夜夜| 一本色道久久久久久精品综合| 能在线免费看毛片的网站| 日本一本二区三区精品| av天堂中文字幕网| 午夜激情久久久久久久| 韩国高清视频一区二区三区| 国产av码专区亚洲av| 亚洲内射少妇av| 少妇 在线观看| 99视频精品全部免费 在线| 夫妻午夜视频| 久久久久九九精品影院| 国产又色又爽无遮挡免| 欧美亚洲 丝袜 人妻 在线| 一个人观看的视频www高清免费观看| 天堂网av新在线| 久久99蜜桃精品久久| 国产在视频线精品| 97超碰精品成人国产| 男女边吃奶边做爰视频| 伊人久久国产一区二区| 自拍偷自拍亚洲精品老妇| 亚洲精品久久午夜乱码| 在线观看一区二区三区激情| 日韩中字成人| 久久久久国产精品人妻一区二区| 毛片一级片免费看久久久久| 免费黄网站久久成人精品| 91精品国产九色| 国产毛片a区久久久久| 啦啦啦在线观看免费高清www| 久久精品国产亚洲网站| 交换朋友夫妻互换小说| 国产亚洲最大av| 亚洲av不卡在线观看| 国产精品久久久久久久电影| 精品久久久久久电影网| 国产亚洲av嫩草精品影院| 黄色欧美视频在线观看| 国产精品偷伦视频观看了| 亚洲欧美日韩卡通动漫| 午夜精品国产一区二区电影 | 少妇猛男粗大的猛烈进出视频 | 亚洲精品乱码久久久v下载方式| 色网站视频免费| 嫩草影院精品99| 久热久热在线精品观看| 1000部很黄的大片| 欧美xxxx黑人xx丫x性爽| videos熟女内射| 精华霜和精华液先用哪个| 麻豆成人午夜福利视频| 国产午夜福利久久久久久| 欧美日韩视频高清一区二区三区二| 老女人水多毛片| 大陆偷拍与自拍| 91在线精品国自产拍蜜月| 亚洲成人一二三区av| 免费看a级黄色片| 卡戴珊不雅视频在线播放| 国产欧美日韩一区二区三区在线 | 三级国产精品欧美在线观看| 国产国拍精品亚洲av在线观看| 免费少妇av软件| 免费高清在线观看视频在线观看| 国语对白做爰xxxⅹ性视频网站| 色5月婷婷丁香| 中文精品一卡2卡3卡4更新| 麻豆成人午夜福利视频| 国产成人一区二区在线| 日韩欧美精品v在线| 欧美xxxx性猛交bbbb| 日韩,欧美,国产一区二区三区| 欧美日韩精品成人综合77777| 日本欧美国产在线视频| 五月开心婷婷网| 一级a做视频免费观看| 日本三级黄在线观看| 欧美最新免费一区二区三区| 久久精品综合一区二区三区| 熟妇人妻不卡中文字幕| 大又大粗又爽又黄少妇毛片口| 国产欧美另类精品又又久久亚洲欧美| 国产精品久久久久久精品古装| 国产欧美亚洲国产| 国产精品成人在线| 亚洲av免费高清在线观看| 不卡视频在线观看欧美| av又黄又爽大尺度在线免费看| 超碰97精品在线观看| 免费观看在线日韩| 狂野欧美激情性xxxx在线观看| 丝袜喷水一区| 深夜a级毛片| 国产成人aa在线观看| 99精国产麻豆久久婷婷| videossex国产| 色5月婷婷丁香| 九色成人免费人妻av| 欧美丝袜亚洲另类| 在线a可以看的网站| 亚洲av.av天堂| 如何舔出高潮| 2022亚洲国产成人精品| 国产成人a∨麻豆精品| 日韩成人伦理影院|