长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R2 NN1),被广泛用于语言模型、机器翻译、语音识别等领域。但由于该网络结构是一种链式结构,不能有效表征语言的结构层次信息,该文将L...长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R2 NN1),被广泛用于语言模型、机器翻译、语音识别等领域。但由于该网络结构是一种链式结构,不能有效表征语言的结构层次信息,该文将LSTM扩展到基于树结构的递归神经网络(Recursive Neural Network,RNN)上,用于捕获文本更深层次的语义语法信息,并根据句子前后词语间的关联性引入情感极性转移模型。实验证明本文提出的模型优于LSTM、递归神经网络等。展开更多
【目的】通过文献调研梳理并综述文本情感分析的技术发展态势及应用场景。【文献范围】以Web of Science核心数据库和CNKI为检索来源,利用情感分析的相关概念、方法、技术构造检索策略,对2011-2020年文本情感分析方法的研究论文进行计...【目的】通过文献调研梳理并综述文本情感分析的技术发展态势及应用场景。【文献范围】以Web of Science核心数据库和CNKI为检索来源,利用情感分析的相关概念、方法、技术构造检索策略,对2011-2020年文本情感分析方法的研究论文进行计量统计。【方法】从时间、主题等维度对文本情感分析的主要模型方法和应用场景分别进行归纳、分析和总结,并在此基础上探讨其现状和不足。【结果】根据分析结果可以看出,面向不同应用场景,主要有基于情感词典与规则、基于传统机器学习和基于深度学习三种文本情感分析方法,各种方法均存在优缺点。同时,近年来基于多策略混合的方法逐渐成为重要的改进方向。【局限】主要从宏观技术方法的角度对文本情感分析方法及应用进行综述分析,没有对各类情感分析算法的技术细节进行对比和阐述。【结论】在大数据和深度学习带来的人工智能技术变革背景下,文本情感分析在技术方法上还有改进空间,同时在面向商业决策等应用场景中也有很大的发展潜力。展开更多
为了解国内外情感分析领域的研究状况,揭示该领域的知识结构、研究热点与发展动态,本文采用共被引分析、聚类分析、共词分析、战略坐标分析等方法,借助CiteSpace、UCINET、BICOMB、SPSS等软件,对Web of Science数据库收录的以情感分析...为了解国内外情感分析领域的研究状况,揭示该领域的知识结构、研究热点与发展动态,本文采用共被引分析、聚类分析、共词分析、战略坐标分析等方法,借助CiteSpace、UCINET、BICOMB、SPSS等软件,对Web of Science数据库收录的以情感分析为主题的相关文献进行计量分析与知识图谱绘制。分析结果表明,情感分析的应用、深度学习与神经网络、电子商务下的产品评论、事物情感特征评分、社交网络下用户生成内容、语义定向广告技术以及文本语言属性分析构建了情感分析的知识结构,产品评论与口碑、数据挖掘与人工智能、无监督学习、HadoopMapReduce与支持向量机以及神经网络与深度学习为该领域的研究热点,而顾客评论、推荐系统、极性分类、主题模型、电影评论、推特数据将是未来该领域主要研究方向。展开更多
文摘长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R2 NN1),被广泛用于语言模型、机器翻译、语音识别等领域。但由于该网络结构是一种链式结构,不能有效表征语言的结构层次信息,该文将LSTM扩展到基于树结构的递归神经网络(Recursive Neural Network,RNN)上,用于捕获文本更深层次的语义语法信息,并根据句子前后词语间的关联性引入情感极性转移模型。实验证明本文提出的模型优于LSTM、递归神经网络等。
文摘【目的】通过文献调研梳理并综述文本情感分析的技术发展态势及应用场景。【文献范围】以Web of Science核心数据库和CNKI为检索来源,利用情感分析的相关概念、方法、技术构造检索策略,对2011-2020年文本情感分析方法的研究论文进行计量统计。【方法】从时间、主题等维度对文本情感分析的主要模型方法和应用场景分别进行归纳、分析和总结,并在此基础上探讨其现状和不足。【结果】根据分析结果可以看出,面向不同应用场景,主要有基于情感词典与规则、基于传统机器学习和基于深度学习三种文本情感分析方法,各种方法均存在优缺点。同时,近年来基于多策略混合的方法逐渐成为重要的改进方向。【局限】主要从宏观技术方法的角度对文本情感分析方法及应用进行综述分析,没有对各类情感分析算法的技术细节进行对比和阐述。【结论】在大数据和深度学习带来的人工智能技术变革背景下,文本情感分析在技术方法上还有改进空间,同时在面向商业决策等应用场景中也有很大的发展潜力。
文摘为了解国内外情感分析领域的研究状况,揭示该领域的知识结构、研究热点与发展动态,本文采用共被引分析、聚类分析、共词分析、战略坐标分析等方法,借助CiteSpace、UCINET、BICOMB、SPSS等软件,对Web of Science数据库收录的以情感分析为主题的相关文献进行计量分析与知识图谱绘制。分析结果表明,情感分析的应用、深度学习与神经网络、电子商务下的产品评论、事物情感特征评分、社交网络下用户生成内容、语义定向广告技术以及文本语言属性分析构建了情感分析的知识结构,产品评论与口碑、数据挖掘与人工智能、无监督学习、HadoopMapReduce与支持向量机以及神经网络与深度学习为该领域的研究热点,而顾客评论、推荐系统、极性分类、主题模型、电影评论、推特数据将是未来该领域主要研究方向。
