情感分析進階

目錄
前言
第一部分
第1章 概述2
1.1文本情感分析相關概念2
1.2文本情感分析方法4
1.2.1基于知識庫的方法4
1.2.2基于機器學習的方法4
1.2.3基于深度學習的方法5
1.3情感分析的應用5
1.3.1商業(yè)領域5
1.3.2文化領域6
1.3.3社會管理7
1.3.4信息預測7
1.3.5情緒管理8
1.3.6智能客服8
1.4情感分析面臨的困難9
1.5機遇和挑戰(zhàn)9
1.6本章小結10
第2章文本情感分析基礎13
2.1有監(jiān)督學習13
2.2無監(jiān)督學習13
2.3半監(jiān)督學習14
2.4詞向量14
2.4.1詞向量表示的演化過程14
2.4.2詞嵌入方法15
2.5卷積神經(jīng)網(wǎng)絡18
2.5.1卷積層19
2.5.2激活函數(shù)層20
2.5.3池化層21
2.5.4全連接層22
2.6循環(huán)神經(jīng)網(wǎng)絡22
2.7記憶網(wǎng)絡24
2.8預訓練模型25
2.8.1模型結構25
2.8.2預訓練任務27
2.9本章小結27
第二部分
第3章基于文本片段不一致性的諷刺
檢測模型32
3.1任務與術語32
3.2片段不一致性32
3.3自注意力機制33
3.4模型框架33
3.4.1總體框架33
3.4.2輸入模塊34
3.4.3卷積模塊34
3.4.4重要性權重模塊34
3.4.5注意力機制模塊35
3.4.6輸出模塊35
3.4.7訓練目標36
3.5實驗設計和結果分析36
3.5.1數(shù)據(jù)集介紹36
3.5.2實驗環(huán)境和設置37
3.5.3基線模型37
3.5.4對比實驗結果37
3.5.5消融實驗結果39
3.5.6模型分析39
3.6應用實踐41
3.7本章小結42
第4章基于常識知識的諷刺檢測
44
4.1任務與術語44
4.2常識知識資源44
4.3知識生成方法45
4.4知識選擇方法45
4.5知識融合方法46
4.6模型框架47
4.7實驗設計和結果分析47
4.7.1數(shù)據(jù)集介紹47
4.7.2實驗環(huán)境和設置48
4.7.3基線模型48
4.7.4對比實驗結果48
4.7.5消融實驗結果50
4.7.6模型分析50
4.8應用實踐52
4.9本章小結53
第5章基于多模態(tài)數(shù)據(jù)的諷刺檢測
55
5.1任務與術語55
5.2模態(tài)內(nèi)注意力55
5.3模態(tài)間注意力56
5.4模型框架57
5.5實驗設計和結果分析57
5.5.1數(shù)據(jù)集介紹57
5.5.2實驗環(huán)境和設置58
5.5.3基線模型58
5.5.4對比實驗結果59
5.5.5消融實驗結果59
5.5.6模型分析60
5.6應用實踐61
5.7本章小結63
第三部分
第6章基于用戶建模的對話情緒分析
66
6.1任務與術語66
6.2層級Transformer和Mask機制
69
6.3自己-自己關系建模71
6.4自己-其他關系建模72
6.5用戶關系權重選擇72
6.6模型框架73
6.7應用實踐76
6.7.1常用數(shù)據(jù)集76
6.7.2其他對話用戶關系建模模型
76
6.7.3實驗結果77
6.8本章小結80
第7章基于過去、現(xiàn)在和未來的對話
情緒分析84
7.1任務與術語84
7.2常識知識庫85
7.2.1ATOMIC常識知識庫86
7.2.2COMET知識生成模型87
7.2.3COMETATOMIC2020知識生成
模型88
7.3圖神經(jīng)網(wǎng)絡88
7.4基于知識的情緒預測92
7.4.1知識增強的Transformer93
7.4.2COSMIC情緒預測模型94
7.5對話上下文交互圖構建95
7.6模型框架97
7.7應用實踐98
7.8本章小結99
第8章基于平衡特征空間的不平衡
情緒分析102
8.1情緒分析中的不平衡問題102
8.2基于重采樣的平衡策略103
8.3基于重權重化的平衡策略104
8.3.1類別平衡損失函數(shù)104
8.3.2標簽分布感知的間隔損失函數(shù)
106
8.4基于數(shù)據(jù)增強的平衡策略107
8.4.1計算機視覺中的基于數(shù)據(jù)增強
的平衡策略107
8.4.2自然語言處理中的數(shù)據(jù)增強方法
108
8.5Focal損失函數(shù)108
8.6自我調(diào)整的Dice損失函數(shù)109
8.7中心損失函數(shù)110
8.8三元組中心損失函數(shù)110
8.9最大馬氏分布中心111
8.10特征空間平衡損失函數(shù)112
8.11應用實踐113
8.11.1代碼實現(xiàn)113
8.11.2實驗性能115
8.12本章小結117
第四部分
第9章基于語義-情緒知識的跨目標
立場檢測122
9.1任務描述122
9.2立場檢測基礎模型123
9.3語義知識和情緒知識123
9.4模型框架124
9.5語義-情緒圖建模125
9.6知識增強的BiLSTM網(wǎng)絡125
9.7立場檢測分類器127
9.8模型應用127
9.8.1實驗說明127
9.8.2實驗結果與分析128
9.9本章小結129
第10章基于元學習的跨領域立場檢測
131
10.1元學習概念131
10.2有監(jiān)督元學習131
10.2.1基于度量的元學習方法131
10.2.2基于模型的元學習方法133
10.2.3基于優(yōu)化的元學習方法135
10.3MAML算法136
10.4基于元學習的立場檢測模型
137
10.5應用實踐138
10.5.1數(shù)據(jù)集介紹138
10.5.2實驗細節(jié)139
10.5.3對比模型139
10.5.4實驗結果139
10.5.5核心代碼140
10.6本章小結142
第11章知識增強的零樣本和小樣本
立場檢測144
11.1任務與術語144
11.2概念知識圖145
11.3多關系圖神經(jīng)網(wǎng)絡146
11.4基于多關系圖神經(jīng)網(wǎng)絡的
知識圖編碼147
11.5知識增強的立場檢測模型
147
11.6應用實踐149
11.6.1實驗設置149
11.6.2核心代碼149
11.6.3對比方法152
11.6.4實驗結果與分析152
11.7本章小結154
第五部分
第12章面向情感分類的對抗攻擊
158
12.1對抗樣本的概念158
12.1.1對抗樣本的提出158
12.1.2對抗樣本的定義159
12.2擾動控制160
12.2.1編輯距離160
12.2.2歐氏距離160
12.2.3余弦距離161
12.2.4Jaccard相似系數(shù)161
12.2.5單詞移動距離161
12.2.6各種指標的應用161
12.3白盒攻擊與黑盒攻擊162
12.4目標攻擊與非目標攻擊16