基于连续维度型的文本情感强度计算方法研究

摘要

情感计算是计算机科学与人工智能中的重要领域，对互联网上海量数据进行文本情感强度研究是情感计算的关键部分。以往的情感分析研究大部分都是离散类别型研究为主，事先将情感分为不同的类别，这种分析方法存在很多缺陷。近年来也有一种以连续维度型为基础的情感分析方法，它事先将情感词的情感信息转换成两组连续维度的数值 Valence(表示情感的正负程度)和Arousal(表示情绪的平静和激动的程度)，然后通过对文本中包含的情感词进行计算来作为文本的情感强度值。
　　本文是基于连续维度型的情感分析方法的基础上，分别在短语文本和句子文本展开研究。在短语文本层次上，我们发现以往基于词典的情感分析中，情感词周围经常有修饰语对其产生影响，我们使用SVR(支持向量回归)方法和自定义规则相结合来完成连续维度型的短语文本情感强度预测。首先将短语文本对应Word2vec(词向量)作为模型输入，并使用SVR(支持向量回归)方法完成情感词预测工作，然后利用训练资料提取不同修饰规则，最终完成整个短语情感强度预测。实验数据表明SVR(支持向量回归)和自定义规则相结合方法可以准确地完成中英文短语文本情感强度预测。
　　在句子文本情感分析上，针对于离散类别型情感分析不能反映情感强度和类别需要事先定义以及以往句子文本情感分析不能够准确捕捉情感信息等缺点，提出了一种以线性加权的CNN(卷积神经网络)和LSTM(长短期记忆)为基础结合的W-CNN-LSTM(连续维度型句子文本预测模型)。该模型利用CNN提取句子局部情感信息以及LSTM捕捉句中逻辑关系，并且通过线性加权完成句子文本情感强度预测。实验数据显示,该方法可以捕捉句子局部情感信息和句中逻辑关系，能够准确的完成句子文本情感预测工作。

目录

声明

第1章 引言

1.1 概述

1.2 研究现状

1.3 研究意义

1.4 研究目标

1.5 论文的组织

第2章 论文相关背景和技术介绍

2.1 词嵌入（Word Embeding）

2.2 支持向量回归(Support Vector Regression,SVR)

2.3 卷积神经网络(Convolutional Neural Networks,CNN)

2.4 循环神经网络(recursive neural network,RNN)

2.5 长短期记忆网络(Long Stem Memory Network ,LSTM)

第3章 基于连续维度型的短语文本情感强度计算方法

3.1 研究动机

3.2 基于SVR和规则结合的短语文本Valence-Arousal预测模型

3.3 实验评估

3.4 实验结果对比

3.5本章小结

第4章 基于连续维度型的句子文本情感强度计算方法

4.1 研究动机

4.2 基于W-CNN-LSTM的句子文本情感Valence-Arousal预测模型

4.3 实验评估

4.4 实验结果对比

4.5 本章小结

第5章 总结与展望

致谢

参考文献