移動互聯(lián)網(wǎng)的持續(xù)火爆使得各大社交媒體和電子商務(wù)平臺成為觀察人類情感的有效窗口。如何高效地利用計算機(jī)技術(shù)從海量文本數(shù)據(jù)中獲得情感信息,從而挖掘出文本數(shù)據(jù)的商業(yè)價值,變得尤為重要。因此,文本情感計算成為當(dāng)代認(rèn)知科學(xué)的一大研究熱點。深度學(xué)習(xí)算法是一類包含多層非線性變換的神經(jīng)網(wǎng)絡(luò),通過逐層特征變換,將樣本在原始空間中的特征表示變換到一個新的特征空間,從而更準(zhǔn)確地預(yù)測結(jié)果。與傳統(tǒng)模式識別方法的最大不同在于,基于深度學(xué)習(xí)的模式識別方法能夠從數(shù)據(jù)中自動學(xué)習(xí)出刻畫數(shù)據(jù)本質(zhì)的特征表示,摒棄了復(fù)雜的人工特征提取過程。因此,在文本情感計算研究中,深度學(xué)習(xí)技術(shù)成為學(xué)習(xí)高可區(qū)分性情感特征的有效方法。這篇論文主要研究如何利用深度學(xué)習(xí)算法來解決文本情感計算中的兩個重要問題:文本情感分類和情感文本檢索。歸納起來,主要貢獻(xiàn)包括以下四個方面。（1）鑒于句法語義信息已經(jīng)被證明在句子級文本情感分類研究中可以增強(qiáng)對句子的表征能力,且從結(jié)構(gòu)上來說篇章是由多個句子組成,提出了一種句法語義感知的篇章級文本情感分類算法。該算法采用層次架構(gòu),分別從詞語層面和句子層面提取情感特征。詞語層面的目標(biāo)是在基于依存句法樹的Child-Sum Tr... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：126 頁

【學(xué)位級別】：博士

【部分圖文】：

n-gramNNLM架構(gòu)圖

類別的一個子集，因此整個過程要比 Hierarchical Softmax 簡單，且訓(xùn)練速度更快。2.2 卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）最早是由 AI 領(lǐng)域著名學(xué)者 Lecun Y. 于 1998 年提出來的[32]。最初 CNN 被用于解決各種計算機(jī)視覺問題，比如，圖像分類、目標(biāo)檢測、目標(biāo)分割等，這些年已經(jīng)取得了輝煌的成就。現(xiàn)如今，CNN 在任一 AI 領(lǐng)域都有廣泛應(yīng)用，包括自然語言處理、語音識別、醫(yī)療、人工嗅覺等。圖像分類是計算機(jī)視覺的基礎(chǔ)任務(wù)之一，非常適合以圖像分類為例來詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的原理和主要構(gòu)成。在本節(jié)中，我們首先從卷積神經(jīng)網(wǎng)絡(luò)適合于對圖像建模的緣由講起，之后分別講解卷積神經(jīng)網(wǎng)絡(luò)的三種網(wǎng)絡(luò)結(jié)構(gòu)：卷積層、池化層（降采樣層）、全連接層，通過堆疊這三種結(jié)構(gòu)形成了一個完整的卷積神經(jīng)網(wǎng)絡(luò)。圖 2-3 展示了手寫體識別研究中的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖，輸入一張數(shù)字圖片，經(jīng)過多個卷積層和降采樣層獲得圖片特征，用于判別分類結(jié)果。

池化操作

【參考文獻(xiàn)】：
期刊論文
[1]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報. 2015(01)
[2]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計算機(jī)研究與發(fā)展. 2013(09)
[3]文本情感分析[J]. 趙妍妍,秦兵,劉挺.  軟件學(xué)報. 2010(08)



本文編號：3047534