發(fā)布時間：2018-03-13 16:25

  本文選題：情感分析　切入點：深度表示學習　出處：《中文信息學報》2017年01期 　論文類型：期刊論文

【摘要】：情感分析是自然語言處理領(lǐng)域的重要研究問題�，F(xiàn)有方法往往難以克服樣本偏置與領(lǐng)域依賴問題,嚴重制約了情感分析的發(fā)展和應用。為此,該文提出了一種基于深度表示學習和高斯過程知識遷移學習的情感分析方法。該方法首先利用深度神經(jīng)網(wǎng)絡(luò)獲得文本樣本的分布式表示,而后基于深度高斯過程,從輔助數(shù)據(jù)中遷移與測試集數(shù)據(jù)分布相符的高質(zhì)量樣例擴充訓練數(shù)據(jù)集用于分類器訓練,以此提高文本情感分類系統(tǒng)性能。在COAE2014文本情感分類數(shù)據(jù)集上進行的實驗結(jié)果顯示,該文提出的方法可以有效提高文本情感分類性能,同時可以有效緩解訓練數(shù)據(jù)的樣本偏置以及領(lǐng)域依賴問題的影響。
[Abstract]:Affective analysis is an important research problem in the field of natural language processing. The existing methods are often difficult to overcome the problem of sample bias and domain dependence, which seriously restrict the development and application of affective analysis. This paper presents an affective analysis method based on depth representation learning and Gao Si process knowledge transfer learning. In order to improve the performance of text affective classification system, the extended training data set of high quality sample that is consistent with the distribution of test set data is transferred from the auxiliary data to improve the performance of text emotion classification system. The experimental results on COAE2014 text emotion classification data set show that, The proposed method can effectively improve the performance of text affective classification and alleviate the influence of sample bias and domain dependence of training data.
【作者單位】： 哈爾濱工業(yè)大學深圳研究生院計算機科學與技術(shù)學院;騰訊科技(深圳)有限公司;
【基金】：國家自然科學基金(61370165) 國家863計劃(2015AA015405) 深圳市孔雀計劃技術(shù)創(chuàng)新項目(KQCX20140521144507925) 深圳市基礎(chǔ)研究項目(JCYJ20150625142543470) 廣東省數(shù)據(jù)科學工程技術(shù)研究中心開放課題(2016KF09)
【分類號】：TP391.1

【相似文獻】

相關(guān)期刊論文 前10條

1 呂勝尚;;關(guān)于高斯過程的幾個問題[J];西北電訊工程學院學報;1986年02期

2 喻鑫;柳健;田金文;;基于高斯過程的點匹配方法[J];華中科技大學學報(自然科學版);2007年12期

3 董曉慧;柴桂榮;孟憲春;;一種應用稀疏高斯過程回歸模型的半監(jiān)督分類算法[J];電腦知識與技術(shù);2010年28期

4 傅啟明;劉全;伏玉琛;周誼成;于俊;;一種高斯過程的帶參近似策略迭代算法[J];軟件學報;2013年11期

5 李宏偉;劉揚;盧漢清;方亦凱;;結(jié)合半監(jiān)督核的高斯過程分類[J];自動化學報;2009年07期

6 黃麗平;孫永雄;申晨;;用基于中值濾波的高斯過程預測3G網(wǎng)絡(luò)性能[J];計算機工程與應用;2013年02期

7 夏戰(zhàn)國;夏士雄;蔡世玉;萬玲;;類不均衡的半監(jiān)督高斯過程分類算法[J];通信學報;2013年05期

8 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

9 劉輝;白峰杉;;基于混合高斯過程模型的高光譜圖像分類算法[J];高校應用數(shù)學學報A輯;2010年04期

10 張樂;劉忠;張建強;任雄偉;;基于人工蜂群算法優(yōu)化的改進高斯過程模型[J];國防科技大學學報;2014年01期

相關(guān)會議論文 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過程響應面模型設(shè)計點選擇方法研究[A];中國計算力學大會'2010（CCCM2010）暨第八屆南方計算力學學術(shù)會議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過程的精密衛(wèi)星鐘差加密[A];第二屆中國衛(wèi)星導航學術(shù)年會電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類和高斯過程的多模型建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 趙級漢;張國敬;姜龍;魏巍;;基于疊加高斯過程的數(shù)字噪聲產(chǎn)生方法FPGA實現(xiàn)[A];第二十四屆全國空間探測學術(shù)交流會論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過程回歸的FOG標度因數(shù)溫度漂移建模新方法[A];第25屆中國控制與決策會議論文集[C];2013年

相關(guān)博士學位論文 前6條

1 王建民;礦山邊坡變形監(jiān)測數(shù)據(jù)的高斯過程智能分析與預測[D];太原理工大學;2016年

2 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學;2016年

3 潘偉;基于高斯過程的高爐煉鐵過程辨識與預測[D];浙江大學;2012年

4 賀建軍;基于高斯過程模型的機器學習算法研究及應用[D];大連理工大學;2012年

5 夏戰(zhàn)國;基于高斯過程的提升機軸承性能評測方法研究[D];中國礦業(yè)大學;2013年

6 趙偉;復雜工程結(jié)構(gòu)可靠度分析的高斯過程動態(tài)響應面方法研究[D];廣西大學;2014年

相關(guān)碩士學位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術(shù)的研究[D];江南大學;2015年

2 李勵耘;基于高斯過程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學;2015年

3 王雪茹;基于高斯過程的風電機組部件建模與監(jiān)測研究[D];華北電力大學;2015年

4 于立鑫;基于高斯過程—差異進化算法的隧道施工多元信息反分析研究[D];大連海事大學;2015年

5 戈財若;基于高斯過程的高光譜圖像分類算法研究[D];東華理工大學;2015年

6 葉婧;基于高斯過程回歸的鋰電池數(shù)據(jù)處理[D];北京交通大學;2016年

7 張棟;基于在線學習高斯過程有桿泵油井動態(tài)液面建模方法研究[D];東北大學;2014年

8 王奉偉;改進的局部均值分解和高斯過程在變形監(jiān)測數(shù)據(jù)處理中的應用研究[D];東華理工大學;2016年

9 曹瑜;基于高斯過程的非線性不確定延遲系統(tǒng)的模型預測控制[D];華中科技大學;2014年

10 張莉萍;基于廣義高斯過程回歸的函數(shù)型數(shù)據(jù)分析[D];東南大學;2016年

，

本文編號：1607186