基于松散条件下协同学习的中文微博情感分析

被引：6

作者：

孙念 ^{[1
]}

李玉强 ^{[1
]}

刘爱华 ^{[2
]}

刘春 ^{[1
]}

黎威威 ^{[1
]}

机构：

[1] 武汉理工大学计算机科学与技术学院

[2] 武汉理工大学能源与动力工程学院

来源：

浙江大学学报(工学版) | 2018年 / 52卷 / 08期

关键词：

微博; 情感分析; 协同学习; 主动学习; 不确定策略;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

120506 [数字人文];

摘要：

传统的协同学习算法需要2个充分冗余的特征视图,而在多数情况下达不到特征充分冗余的要求,为此提出松散条件下的协同学习框架.利用支持向量机算法和长短期记忆网络(LSTM)算法分别建立基于向量空间模型的微博特征视图和基于语义相关的词向量特征视图,在2个视图上进行协同学习.针对未标注样本的选择,提出结合主动学习中的不确定策略和协同学习中的最高置信度策略的选择策略,从不同角度充分利用未标注样本中包含的信息量.实验结果表明,在中文微博情感极性研究领域,提出的选择策略与传统选择策略相比,能够提高分类器的性能,并且利用松散条件下的协同学习框架实现微博情感分析性能.

引用

页码：1452 / 1460

页数：9

共 8 条

[1]

情感分类中不同主动学习策略比较研究.[A].居胜峰;王中卿;李寿山;周国栋;.第十一届全国计算语言学学术会议.2011,

[2]

基于类序列规则的中文微博情感分类 [J].

郑诚 ;

沈磊 ;

代宁 .

计算机工程, 2016, 42 (02) :184-189+194

[3]

协同过滤推荐系统中的用户博弈 [J].

徐蕾 ;

杨成 ;

姜春晓 ;

任勇 .

计算机学报, 2016, 39 (06) :1176-1189

[4]

基于深度学习的微博情感分析 [J].

梁军 ;

柴玉梅 ;

原慧斌 ;

昝红英 ;

刘铭 .

中文信息学报, 2014, (05) :155-161

[5]

基于监督学习的中文情感分类技术比较研究 [J].

唐慧丰 ;

谭松波 ;

程学旗 .

中文信息学报, 2007, (06) :88-94+108

[6]

Combination of active learning and self-training for cross-lingual sentiment classification with density analysis of unlabelled samples.[J].Mohammad Sadegh Hajmohammadi;Roliana Ibrahim;Ali Selamat;Hamido Fujita.Information Sciences.2015,

[7]

The elements of statistical learning: data mining, inference and prediction [J].

James Franklin .

The Mathematical Intelligencer, 2005, 27 (2) :83-85

[8]

Evaluating collaborative filtering recommender systems [J].

Herlocker, JL ;

Konstan, JA ;

Terveen, K ;

Riedl, JT .

ACM TRANSACTIONS ON INFORMATION SYSTEMS, 2004, 22 (01) :5-53

← 1 →