论文浅尝 | SenticNet 5: 借助上下文嵌入信息为情感分析发现概念级别的原语

最新推荐文章于 2022-04-03 16:56:32 发布

开放知识图谱

最新推荐文章于 2022-04-03 16:56:32 发布

阅读量2.8k

点赞数 1

本文链接：https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/80161731

版权

论文介绍了SenticNet5，一个利用LSTM模型发现情感分析概念原语的框架，旨在减少统计学习方法对大量标注数据的依赖，通过上下文语境和常识推理增强情感分析的性能。SenticNet5三层知识表示结构包括原语层、概念层和实体层，用于捕捉现实世界的内在和外在情感信息。

摘要由CSDN通过智能技术生成

640?wx_fmt=png&wxfrom=5&wx_lazy=1

Citation: Cambria E, Poria S, Hazarika D, et al.SenticNet 5: discovering conceptual primitives for sentiment analysis by meansof context embeddings[C]//AAAI. 2018.

概述

目前大部分的人工智能的研究都集中在基于统计学习的方法，这些方法需要大量的训练数据，但是这些方法有一些缺陷，主要是需要大量的标注数据而且是领域依赖的；不同的训练方法或者对模型进行微调都会产生完全不同的结果；这些方法的推理过程都是黑盒的。在自然语言处理领域中，人工智能科学家需要减少统计自然语言处理领域和其他理解自然语言急需的领域（例如，语言学、常识推理和情感计算）之间的隔阂。在自然语言处理领域，有自顶向下的方法，例如借助符号（语义网络）来编码语义；也有一种自底向上的方法，例如基于神经网络来推断数据中的句法模式。单纯地利用统计学习的方法主要通过历史数据建模关联性以此“猜测”未知数据，但是建模自然语言所需要的知识远