《基于机器学习的情感分类研究的国内外文献综述》2700字

基于机器学习的情感分类研究的国内外文献综述目录TOC\o"1-2"\h\u31361基于机器学习的情感分类研究的国内外文献综述 [27]等人提出了一种端对端（end-to-end）的完全无监督的学习方法，在中英文跨语言情感分析（Cross-lingualSentimentAnalyse)中达到了87.95%的准确率。由于中文文体结构复杂，一词多义，表达方式灵活，给中文文本情感分析带来了巨大挑战。仅单独使用LSTM或者CNN进行文本分类常常会面临特征提取不充分，难以实现对重点信息的充分利用，因此本文将CNN和LSTM进行融合工作，从而解决信息特征提取不充分的问题。针对使用word2Vec训练词向量的模型不能解决一词多义的问题，本文采用了最新的bert模型，从而有效解决中文一词多义问题。1.3文献述评综合以上文献，可以看出国内关于情感分析的发展时间并不长，但是随着社会的发展，不管是电商对于客户群体情感倾向的需求，还是对于政府了解人民情绪，实行相关政策等都有强烈需求。现在国内的相关研究大多在单一模型的研究上。因此本文将主要利用微博的疫情情感数据集，开展相关问题的研究。在机器学习方面，学者从有监督学习和无监督学习两个方面研究情感分析问题，多年的研究让机器学习形成了一套完整的方案思路。由于近些年，随着设备的发展，深度学习展现出强大的能力，情感分析的中心也转到了深度学习，鲜有人研究机器学习，但是这几年大火的XGBoost模型，作为机器学习中集成学习的代表，在情感分析上也应有不错表现。在深度学习方面，近些年国内外发展迅速，从最早挖掘局部特征的CNN到学习序列相关信息的LSTM，以及为了实现对特定目标情感分析的注意力机制，再到这两年为了解决中文一词多义的BERT模型，深度学习经历了巨大发展。但是对于句子信息挖掘的完整度还远远不够，相关研究还有很大的提升空间。参考文献HofmannT.Probabilisticlatentsemanticindexing[C]//Proceedingsofthe22ndannualinternationalACMSIGIRconferenceonResearchanddevelopmentininformationretrieval.1999:50-57.PangB,LeeL,VaithyanathanS.Thumbsup?Sentimentclassificationusingmachinelearningtechniques[J].arXivpreprintcs/0205070,2002.YeQ,ZhangZ,LawR.Sentimentclassificationofonlinereviewstotraveldestinationsbysupervisedmachinelearningapproaches[J].Expertsystemswithapplications,2009,36(3):6527-6535.姚天防,娄德成.汉语语句主题语义倾向分析方法的研究[C]//全国计算语言学学术会议.VIP,2007:73-79.谢丽星，周明，孙茂松.基于层次结构的多策略中文微博情感分析和特征抽取[J].中文信息学报.2012(01):73-83.刘志明,刘鲁.基于机器学习的中文微博情感分类实证研究[J].计算机工程与应用,2012,48(1):1-4.TurneyP.ThumbsUporThumbsDown?SemanticOrientationAppliedtoUnsupervisedClassificationofReviews[J].AssociationforComputationalLinguistics,2002.TaboadaM,BrookeJ,TofiloskiM,etal.Lexicon-basedmethodsforsentimentanalysis[J].Computationallinguistics,2011,37(2):267-307.朱嫣岚,闵锦,周雅倩,等.基于HowNet的词汇语义倾向计算[J].中文信息学报,2006,20(1):16-22.王素格,杨安娜,李德玉.基于汉语情感词表的句子情感倾向分类研究[J].计算机工程与应用,2009,45(24):153-155.孙艳,周学广,付伟.基于主题情感混合模型的无监督文本情感分析[J].北京大学学报(自然科学版),2013,49(1):102-108.LiFH,HuangM,YangY,etal.Learningtoidentifyreviewspam[C]//Twenty-secondinternationaljointconferenceonartificialintelligence.2011.BlumA,MitchellT.Combininglabeledandunlabeleddatawithco-training[C]//ProceedingsoftheeleventhannualconferenceonComputationallearningtheory.1998:92-100.CollobertR,WestonJ,BottouL,etal.Naturallanguageprocessing(almost)fromscratch[J].Journalofmachinelearningresearch,2011,12(ARTICLE):2493−2537.MoraesR,ValiatiJF,NetoWPGO.Document-levelsentimentclassification:AnempiricalcomparisonbetweenSVMandANN[J].ExpertSystemswithApplications,2013,40(2):621-633.TangD,QinB,LiuT.Documentmodelingwithgatedrecurrentneuralnetworkforsentimentclassification[C]//Proceedingsofthe2015conferenceonempiricalmethodsinnaturallanguageprocessing.2015:1422-1432.YangZ,YangD,DyerC,etal.Hierarchicalattentionnetworksfordocumentclassification[C]//Proceedingsofthe2016conferenceoftheNorthAmericanchapteroftheassociationforcomputationallinguistics:humanlanguagetechnologies.2016:1480-1489.WangX,JiangW,LuoZ.Combinationofconvolutionalandrecurrentneuralnetworkforsentimentanalysisofshorttexts[C]//ProceedingsofCOLING2016,the26thinternationalconferenceoncomputationallinguistics:Technicalpapers.2016:2428-2437.TangD,QinB,LiuT.Aspectlevelsentimentclassificationwithdeepmemorynetwork[J].arXivpreprintarXiv:1605.08900,2016.WangX,JiangW,LuoZ.Combinationofconvolutionalandrecurrentneuralnetworkforsentimentanalysisofshorttexts[C]//ProceedingsofCOLING2016,the26thinternationalconferenceoncomputationallinguistics:Technicalpapers.2016:2428-2437.梁军,柴玉梅,原慧斌,高明磊,昝红英.基于极性转移和LSTM递归网络的情感分析[J].中文信息学报,2015,29(05):152-159.XiaoZ,LiX,WangL,etal.UsingconvolutioncontrolblockforChinesesentimentanalysis[J].JournalofParallelandDistributedComputing,2018,116:18-26.DragoniM,PetrucciG.Aneuralwordembeddingsapproachformulti-domainsentimentanalysis[J].IEEETransactionsonAffectiveComputing,2017,8(4):457-470.Paredes-ValverdeMA,Colomo-PalaciosR,Salas-ZárateMP,etal.Sentimentanaly