基于表示学习的情感分析研究

doi:10.13209/j.0479-8023.2018.066

北京大学学报自然科学版 ›› 2019, Vol. 55 ›› Issue (1): 105-112.DOI: 10.13209/j.0479-8023.2018.066

基于表示学习的情感分析研究

厉小军, 施寒潇^†, 陈南南, 柳虹, 邹轶

浙江工商大学管理工程与电子商务学院, 杭州 310018

收稿日期:2018-04-15 修回日期:2018-08-19 出版日期:2019-01-20 发布日期:2019-01-20
通讯作者: 施寒潇, E-mail: hxshory(at)foxmail.com
基金资助:
国家社会科学基金(17BTQ069)和浙江省自然科学基金(LY19F020007)资助

Research on Sentiment Analysis Based on Representation Learning

LI Xiaojun, SHI Hanxiao^†, CHEN Nannan, LIU Hong, ZOU Yi

School of Management and E-Business, Zhejiang Gongshang University, Hangzhou 310018

Received:2018-04-15 Revised:2018-08-19 Online:2019-01-20 Published:2019-01-20
Contact: SHI Hanxiao, E-mail: hxshory(at)foxmail.com

摘要/Abstract

摘要：

提出一个基于表示学习的文本情感分析模型C&W-SP。首先基于C&W模型的词表示改进训练模型, 实现在词表示训练过程中融入情感信息和词性信息的不同模型设计; 然后利用NLP&CC’2013中的评测数据集, 进行多种模型的实验对比。实验结果表明, 融入情感信息和词性信息的C&W-SP模型性能效果最优, 验证了所提方法的有效性。

关键词: 情感分析, 表示学习, 深度学习, 词表示

Abstract:

The authors propose C&W-SP model — a text sentiment analysis model based on the representation learning. Firstly, an improved training model based on C&W model is proposed which can integrate emotional information and part of speech information in the training process of word embedding. The evaluation of data sets of NLP&CC’2013 is used to compare experimental results with different models. The experimental results show that the C&W-SP model which combines emotion information and part of speech information has the best performance and confirm the effectiveness of the proposed method.

Key words: sentiment analysis, representation learning, deep learning, word embedding

厉小军, 施寒潇, 陈南南, 柳虹, 邹轶. 基于表示学习的情感分析研究[J]. 北京大学学报（自然科学版）, 2019, 55(1): 105-112.

LI Xiaojun, SHI Hanxiao, CHEN Nannan, LIU Hong, ZOU Yi. Research on Sentiment Analysis Based on Representation Learning[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2019, 55(1): 105-112.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2018.066

https://xbna.pku.edu.cn/CN/Y2019/V55/I1/105

[1]	赵宇兰, 万广文, 刘忠宝. 融合显性知识和隐性知识的古诗情感分析[J]. 北京大学学报自然科学版, 2025, 61(3): 420-430.
[2]	王泰然, 鲍逸非. 基于卷积神经网络和双向长短期记忆网络的微地震记录去噪方法[J]. 北京大学学报自然科学版, 2025, 61(3): 487-500.
[3]	冀锐, 马磊, 张靖, 王卫红, 郭祉辀, 万献慈, 肖蕾, 万玮. 基于生成对抗网络的遥感光学影像舰船样本仿真[J]. 北京大学学报自然科学版, 2024, 60(5): 883-892.
[4]	张丰硕, 李豫, 李向前, 徐金安, 陈钰枫. 一种消减多模态偏见的鲁棒视觉问答方法[J]. 北京大学学报自然科学版, 2024, 60(1): 23-33.
[5]	张亚洲, 王梦遥, 戎璐, 俞洋, 赵东明, 秦璟. ChatGPT可否充当情感专家？——调查其在情感与隐喻分析的潜力[J]. 北京大学学报自然科学版, 2024, 60(1): 43-52.
[6]	李玳, 王天牧, 张思, 秦跃, 谢福贵, 刘辛军, 聂振国, 黄红拾. 基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断[J]. 北京大学学报自然科学版, 2024, 60(1): 109-117.
[7]	姚照原, 马磊, 万玮, 宋本钦, 王卫红, 邓继伟, 肖蕾, 冀锐, 魏之皓, 崔要奎. 基于深度学习的遥感样本库一致性评估[J]. 北京大学学报自然科学版, 2023, 59(4): 563-568.
[8]	高勇, 孟浩瀚, 叶超. 基于空间约束的地理知识图谱嵌入表示的负样本生成方法[J]. 北京大学学报自然科学版, 2023, 59(3): 434-444.
[9]	周翔宇, 毛善君, 李梅. 基于频域降采样和CNN的轴承故障诊断方法[J]. 北京大学学报自然科学版, 2023, 59(2): 251-260.
[10]	李放, 曹健, 李普, 谢豪, 赵雄波, 王源, 张兴. 基于ARM+FPGA异构平台的目标检测加速模块设计与实现[J]. 北京大学学报自然科学版, 2022, 58(6): 1035-1041.
[11]	黄晋, 许实, 蔡而聪, 吴志杰, 郭美美, 朱佳. 基于多通道压缩双线性池化的情感‒原因句子对提取模型[J]. 北京大学学报自然科学版, 2022, 58(1): 21-28.
[12]	李荆, 刘钰, 邹磊. 基于时空建模的动态图卷积神经网络[J]. 北京大学学报自然科学版, 2021, 57(4): 605-613.
[13]	李天然, 刘明童, 张玉洁, 徐金安, 陈钰枫. 基于深度学习的实体链接研究综述[J]. 北京大学学报自然科学版, 2021, 57(1): 91-98.
[14]	吴良庆, 刘启元, 张栋, 王建成, 李寿山, 周国栋. 基于情感信息辅助的多模态情绪识别[J]. 北京大学学报自然科学版, 2020, 56(1): 75-81.
[15]	黄德朋, 李正华, 龚晨, 张民. 基于神经耦合模型的异构词法数据转化和融合[J]. 北京大学学报自然科学版, 2020, 56(1): 97-104.

基于表示学习的情感分析研究

Research on Sentiment Analysis Based on Representation Learning

RichHTML

PDF

PDF (翻译版)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

留言