近年來(lái),人們通過(guò)社區(qū)型網(wǎng)站與社會(huì)化網(wǎng)絡(luò)積極參與互聯(lián)網(wǎng)大環(huán)境,由此產(chǎn)生了大量的用戶生成內(nèi)容。針對(duì)用戶生成內(nèi)容進(jìn)行情緒識(shí)別可應(yīng)用于人機(jī)交互、產(chǎn)品策略調(diào)整等領(lǐng)域,有助于高級(jí)人工智能的發(fā)展,并具有現(xiàn)實(shí)意義,現(xiàn)已成為一個(gè)熱門的研究領(lǐng)域。然而,用戶生成文本具有內(nèi)容短、語(yǔ)義稀疏且更新迭代快的特點(diǎn),現(xiàn)有情緒識(shí)別研究雖已比較成熟,但應(yīng)用于用戶生成文本具體場(chǎng)景中時(shí)仍存在一定的局限性。針對(duì)上述問(wèn)題,本文的主要工作可歸納總結(jié)為以下四個(gè)方面:1.設(shè)計(jì)一個(gè)實(shí)驗(yàn)以發(fā)現(xiàn)現(xiàn)有模型在用戶生成文本情緒識(shí)別場(chǎng)景下存在的問(wèn)題并探索用戶生成文本中噪聲（即不含情緒的文本）對(duì)于情緒識(shí)別實(shí)驗(yàn)效果的影響。本文選取了傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)中典型的模型,在統(tǒng)一的實(shí)驗(yàn)基準(zhǔn)下分別就文中提出的三種實(shí)驗(yàn)方案進(jìn)行實(shí)驗(yàn)。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),噪聲不利于單種情緒識(shí)別,但有助于多種情緒識(shí)別;每種模型有各自適合的應(yīng)用場(chǎng)景,但應(yīng)用于用戶生成內(nèi)容中時(shí),他們難以捕獲用戶生成內(nèi)容中上下文語(yǔ)境蘊(yùn)含的情緒線索,并且對(duì)于同一條用戶生成內(nèi)容中蘊(yùn)含有多種情緒的情況往往無(wú)法準(zhǔn)確識(shí)別且訓(xùn)練效率低。2.提出了一種可同時(shí)識(shí)別單種情緒及其對(duì)應(yīng)情緒表達(dá)短語(yǔ)的循環(huán)門模型。該模型通過(guò)雙向長(zhǎng)短時(shí)記憶模... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景及意義
        1.1.1 用戶生成內(nèi)容
        1.1.2 面向用戶生成內(nèi)容的情緒識(shí)別
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 情緒資源
        1.2.2 情緒識(shí)別
    1.3 本文主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 面向用戶生成內(nèi)容的情緒識(shí)別方法
    2.1 情緒識(shí)別方法
        2.1.1 基于規(guī)則的情緒識(shí)別
        2.1.2 基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的情緒識(shí)別
        2.1.3 基于深度學(xué)習(xí)的情緒識(shí)別
    2.2 基準(zhǔn)實(shí)驗(yàn)設(shè)置
        2.2.1 實(shí)驗(yàn)設(shè)計(jì)
        2.2.2 實(shí)驗(yàn)方法
        2.2.3 數(shù)據(jù)集
        2.2.4 評(píng)價(jià)標(biāo)準(zhǔn)
        2.2.5 實(shí)驗(yàn)參數(shù)設(shè)置
    2.3 實(shí)驗(yàn)結(jié)果與分析
    2.4 存在問(wèn)題
    2.5 本章小結(jié)
第3章 基于循環(huán)門的單種情緒與情緒表達(dá)短語(yǔ)聯(lián)合識(shí)別
    3.1 SI-gate模型框架
    3.2 SI-gate算法
        3.2.1 語(yǔ)境整合
        3.2.2 循環(huán)門網(wǎng)絡(luò)
    3.3 實(shí)驗(yàn)設(shè)置
        3.3.1 數(shù)據(jù)集
        3.3.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.3.3 基線模型
        3.3.4 實(shí)驗(yàn)參數(shù)設(shè)置
    3.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于自注意力卷積神經(jīng)網(wǎng)絡(luò)的多種情緒識(shí)別
    4.1 SACNN模型框架
    4.2 SACNN算法
        4.2.1 卷積層
        4.2.2 自注意力層
        4.2.3 全連接層
    4.3 實(shí)驗(yàn)設(shè)置
        4.3.1 評(píng)價(jià)標(biāo)準(zhǔn)
        4.3.2 實(shí)驗(yàn)參數(shù)設(shè)置
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)結(jié)果分析
        4.4.2 可視化分析
        4.4.3 合理性分析
    4.5 本章小結(jié)
第5章 實(shí)際應(yīng)用方案分析
    5.1 實(shí)際應(yīng)用場(chǎng)景介紹
    5.2 實(shí)際應(yīng)用方法
    5.3 方案應(yīng)用開發(fā)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]當(dāng)前國(guó)際傳媒領(lǐng)域人工智能研究的學(xué)術(shù)熱點(diǎn)與框架——基于EBSCO數(shù)據(jù)庫(kù)2016年英文文獻(xiàn)的文獻(xiàn)計(jì)量學(xué)方法[J]. 喻國(guó)明,梁爽,程思琪.  東南學(xué)術(shù). 2018(02)
[2]國(guó)外用戶生成內(nèi)容研究熱點(diǎn)及趨勢(shì)分析——基于2008—2016年EBSCOhost數(shù)據(jù)庫(kù)文獻(xiàn)[J]. 楊晶,羅守貴.  現(xiàn)代情報(bào). 2017(09)
[3]基于SVM的中文微博情感識(shí)別與分類研究[J]. 劉丹丹,邱恒清,趙應(yīng)丁.  中國(guó)新通信. 2015(21)
[4]多層次中文微博情緒分析[J]. 劉寶芹,牛耘.  計(jì)算機(jī)技術(shù)與發(fā)展. 2015(11)
[5]細(xì)粒度微博情緒識(shí)別的集成算法研究[J]. 王紅.  智能計(jì)算機(jī)與應(yīng)用. 2015(01)
[6]用戶生成內(nèi)容（UGC）概念解析及研究進(jìn)展[J]. 趙宇翔,范哲,朱慶華.  中國(guó)圖書館學(xué)報(bào). 2012(05)
[7]情感詞匯本體的構(gòu)造[J]. 徐琳宏,林鴻飛,潘宇,任惠,陳建美.  情報(bào)學(xué)報(bào). 2008 (02)

碩士論文
[1]基于用戶生成內(nèi)容的多標(biāo)簽文本分類方法的研究與實(shí)現(xiàn)[D]. 劉晉宏.北京郵電大學(xué) 2018
[2]中文情感詞匯本體的擴(kuò)充及應(yīng)用[D]. 趙虹杰.大連理工大學(xué) 2015



本文編號(hào)：3449817