基于卷积神经网络的英文篇章情感量化方法

沈克琳 吉秉彧 李然

沈克琳, 吉秉彧, 李然. 基于卷积神经网络的英文篇章情感量化方法[J]. 信阳师范学院学报(自然科学版), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022
引用本文: 沈克琳, 吉秉彧, 李然. 基于卷积神经网络的英文篇章情感量化方法[J]. 信阳师范学院学报(自然科学版), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022
SHEN Kelin, JI Bingyu, LI Ran. Sentiment Quantization of English Texts Based on Convolutional Neural Networks[J]. Journal of Xinyang Normal University (Natural Science Edition), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022
Citation: SHEN Kelin, JI Bingyu, LI Ran. Sentiment Quantization of English Texts Based on Convolutional Neural Networks[J]. Journal of Xinyang Normal University (Natural Science Edition), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022

基于卷积神经网络的英文篇章情感量化方法

doi: 10.3969/j.issn.1003-0972.2021.01.022
基金项目: 

国家自然科学基金项目(31872704,61601396);河南省高校科技创新团队支持计划(19IRTSTHN014)

详细信息
    作者简介:

    沈克琳(1987-),女,河南固始人,讲师,硕士,主要从事计算语言学、翻译理论与实践等研究.

    通讯作者:

    沈克琳, catherineshkl@163.com

  • 中图分类号: TP391.1

Sentiment Quantization of English Texts Based on Convolutional Neural Networks

  • 摘要: 提出利用卷积神经网络(CNN)预测英文单词情感极性,并利用英文单词情感极性设计量化篇章情感倾向的方法.首先,利用fastText技术训练词嵌入模型,将英文单词转化为定长、稠密的词向量;接着,以词向量作为输入,构造一维CNN模型,并设计出多种具有不同深度的架构;最后,利用CNN预测模型计算篇章中所含英文单词的平均情感极性作为篇章情感倾向的量化分值.实验结果表明:相比于传统的机器学习模型,提出的CNN预测模型能够提升英文单词情感预测精度,所设计的篇章情感量化方法,也与主观判决情感色彩有较好的一致性.
  • [1] WANG S, CHEN Z, LIU B. Mining aspect-specific opinion using a holistic lifelong topic model[C]//Proceedings of the 25th International Conference on World Wide Web (WWW-2016). Montreal:ACM, 2016:167-176.
    [2] DOLAN P, PEASGOOD T, WHITE M. Do we really know what makes us happy?A review of the economic literature on the factors associated with subjective well-being[J]. Journal of Economic Psychology, 2008, 29(1):94-122.
    [3] LIANG Y, MENG F, ZHANG J, et al. A novel aspect-guided deep transition model for aspect based sentiment analysis[C]//Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Hong Kong:ACL SIGDAT, 2019:5572-5584.
    [4] SCHOUTEN K, VAN DER WEIJDE O, FRASINCAR F, et al. Supervised and unsupervised aspect category detection for sentiment analysis with co-occurrence data[J]. IEEE Transactions on Cybernetics, 2018, 48(4):1263-1275.
    [5] LYU G, WANG S, LIU B, et al. Sentiment classification by leveraging the shared knowledge from a sequence of domains[C]//International Conference on Database Systems for Advanced Applications (DASFAA-2019). Chiang Mai:Springer, 2019:795-811.
    [6] 杨开漠,吴明芬,陈涛.广义文本情感分析综述[J].计算机应用, 2019, 39(增2):6-14. YANG Kaimo, WU Mingfen, CHEN Tao. Generalized text sentiment analysis review[J]. Journal of Computer Applications, 2019, 39

    (S2):6-14.
    [7] 周志华.机器学习[M].北京:清华大学出版社, 2016. ZHOU Zhihua. Machine learning[M]. Beijing:Tsinghua University Press, 2016.
    [8] AREL I, ROSE D C, KARNOWSKI T P. Deep Machine Learning:A new frontier in artificial intelligence research[J]. IEEE Computational Intelligence Magazine, 2010, 5(4):13-18.
    [9] LUO H, LI T, LIU B, et al. DOER:Dual cross-shared RNN for aspect term-polarity co-extraction[C]//Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL-2019). Florence:ACL,2019:591-601.
    [10] GREFF K, SRIVASTAVA R K, KOUTNIK J, et al. LSTM:A search space odyssey[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(10):2222-2232.
    [11] ZEILER M D, FERGUS R. Visualizing and understanding convolutional neural networks[C]//Proceedings of European Conference on Computer Vision. Sydney:Springer, 2014:818-833.
    [12] KEIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]//Proceedings of the 25th International Conference on Neural Information Processing Systems (NIPS-2012). Lake Tahoe:NIPS, 2012:1097-1105.
    [13] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision&Pattern Recognition (CVPR 2016). Las Vegas, NV, USA, 2016:770-778.
    [14] RUSSAKOVSKY O, DENG J, SU H, et al. ImageNet large scale visual recognition challenge[J]. International Journal of Computer Vision, 2015, 115(3):211-252.
    [15] WANG H, LIU B, LI C, et al. Learning with noisy labels for sentence-level sentiment classification[C]//Proceedings of 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP-2019). Hong Kong:ACL SIGDAT, 2019:6285-6291.
    [16] XU H, LIU B, SHU L, et al. BERT post-training for review reading comprehension and aspect-based sentiment analysis[C]//Proceedings of the 2019 Annual Conference of the North American Chapter of the Association for Computational Linguistics (NAACL-2019). Minneapolis, 2019:2324-2335.
    [17] ZHANG Z, ZOU Y, GAN C. Textual sentiment analysis via three different attention convolutional neural networks and cross-modality consistent regression[J]. Neurocomputing, 2018, 275:1407-1415.
    [18] YADOLLAHI A, SHAHRAKI A G, ZAIANE O R. Current state of text sentiment analysis from opinion to emotion mining[J]. ACM Computing Surveys, 2017, 50(2):1-33.
    [19] 焦李成,杨淑媛,刘芳,等.神经网络七十年:回顾与展望[J].计算机学报, 2016,39(8):1697-1716.

    JIAO Licheng, YANG Shuyuan, LIU Fang, et al. Seventy years beyond neural networks:Retrospect and prospect[J]. Chinese Journal of Computers, 2016, 39(8):1697-1716.
    [20] 何晗.自然语言处理入门[M].北京:人民邮电出版社, 2019. HE Han. Introduction to natural language processing[M]. Beijing:Posts and Telecom Press, 2019.
    [21] MIKOLOV T, CHEN K, CORRADO G, et al. Efficient estimation of word representations in vector space[DB/OL].(2013-09-07)[2019-08-26].arXiv:1301.3781, 2013. https://arxiv.org/abs/1301.3781.
    [22] MIKOLOV T, GRAVE E, BOJANOWSKI P, et al. Advances in pre-training distributed word representations[DB/OL].(2017-12-26)[2019-08-26].arXiv:1712.09405,2017. https://arxiv.org/abs/1712.09405.
    [23] PENNINGTON J, SOCHER R, MANNING C D. Glove:Global vectors for word representation[C]//Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, 2014:1532-1543.
    [24] MIKOLOV T, GRAVE E, BOJANOWSKI P, et al. Advances in pre-training distributed word representations[DB/OL].(2017-12-26)[2019-08-26].arXiv:1712.09405,2017. https://arxiv.org/abs/1712.09405.
    [25] HU M, LIU B. Mining and summarizing customer reviews[C]//Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York, 2004:168-177.
  • [1] 李艳灵, 杨志鹏, 王莎莎, 江海洋.  基于卷积神经网络进行电影院人群分布统计 . 信阳师范学院学报(自然科学版), 2020, 33(4): 675-680. doi: 10.3969/j.issn.1003-0972.2020.04.028
    [2] 吕会超, 彭聪虎.  含缓冲液的双水相体系相平衡的神经网络模型 . 信阳师范学院学报(自然科学版), 2017, 30(1): 43-45. doi: 10.3969/j.issn.1003-0972.2017.01.010
    [3] 黄硕, 李淑玉.  基于Hopfield神经网络的自适应控制系统的设计与仿真 . 信阳师范学院学报(自然科学版), 2016, 29(4): 625-628. doi: 10.3969/j.issn.1003-0972.2016.04.032
    [4] 刘道华, 张 飞, 张言言.  一种改进的 RBF 神经网络对县级政府编制预测 . 信阳师范学院学报(自然科学版), 2016, 29(2): 265-269. doi: 10.3969/j.issn.1003-0972.2016.02.027
    [5] 王晓燕, 刘〓辉, 苏〓纯, 白艳萍.  基于神经网络的激光超声探伤表面波的分类 . 信阳师范学院学报(自然科学版), 2016, 29(1): 120-123. doi: 10.3969/j.issn.1003-0972.2016.01.029
    [6] 唐波, 彭友仙, 陈彬, 瞿子航, 李昱.  基于BP神经网络的交流输电线路可听噪声预测模型 . 信阳师范学院学报(自然科学版), 2015, 28(1): 136-140. doi: 10.3969/j.issn.1003-0972.2015.01.033
    [7] 宋喜忠.  基于K-Means和粗糙集神经网络的节点故障诊断 . 信阳师范学院学报(自然科学版), 2014, 27(2): 292-295. doi: 10.3969/j.issn.1003-0972.2014.02.032
    [8] 吕会超, 张艳维, 崔书臣.  正庚烷-甲苯-环丁砜液液平衡体系的神经网络模型 . 信阳师范学院学报(自然科学版), 2014, 27(2): 263-266. doi: 10.3969/j.issn.1003-0972.2014.02.025
    [9] 刘渭清.  基于神经网络的等波纹全通滤波器设计方法 . 信阳师范学院学报(自然科学版), 2013, 26(3): 424-427. doi: 10.3969/j.issn.1003-0972.2013.03.029
    [10] 刘道华, 张礼涛, 曾召霞, 孙文萧.  基于正交最小二乘法的径向基神经网络模型 . 信阳师范学院学报(自然科学版), 2013, 26(3): 428-431. doi: 10.3969/j.issn.1003-0972.2013.03.030
    [11] 张梅, 潘大仁, 周以飞, 艾育芳.  BP神经网络结合正交试验法优选锦锈杜鹃黄酮的提取工艺 . 信阳师范学院学报(自然科学版), 2011, 24(2): 261-264.
    [12] 吴群, 陈晓辉, 李东普, 赵琴;.  改进RBF神经网络在降水量预测中的应用 . 信阳师范学院学报(自然科学版), 2011, 24(2): 268-271.
    [13] 田胜利, 熊德兰.  中文网页作者情感态度倾向性分类研究 . 信阳师范学院学报(自然科学版), 2009, 22(2): 307-309.
    [14] 黄文霞, 罗浩, 马占卿.  基于改进型蚁群神经网络的ECG心搏分类器 . 信阳师范学院学报(自然科学版), 2008, 21(4): 580-583.
    [15] 刘维群, 李为华.  基于自组织选取中心的广义RBF神经网络学习算法 . 信阳师范学院学报(自然科学版), 2007, 20(4): 515-517.
    [16] 周葆春, 王靖涛, 高洪波.  中密砂的弹塑性神经网络本构模型 . 信阳师范学院学报(自然科学版), 2003, 16(4): 432-437.
    [17] 李宏伟.  时滞Hopfield神经网络的全局指数稳定性 . 信阳师范学院学报(自然科学版), 2001, 14(3): 259-263.
    [18] 黄俊.  自组织神经网络在空中目标识别中的应用 . 信阳师范学院学报(自然科学版), 1999, 12(1): 81-83.
    [19] 付莉红, 贾元强, 樊铁钢.  模糊细胞神经网络的稳定性 . 信阳师范学院学报(自然科学版), 1999, 12(4): 390-392.
    [20] 陶有德,杨宏志,李毓.  基于神经网络的非等权移动平均预测模型的研究 . 信阳师范学院学报(自然科学版), 1995, 8(3): 224-228.
  • 加载中
计量
  • 文章访问数:  61
  • HTML全文浏览量:  1
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-10-24
  • 修回日期:  2020-02-27

基于卷积神经网络的英文篇章情感量化方法

doi: 10.3969/j.issn.1003-0972.2021.01.022
    基金项目:

    国家自然科学基金项目(31872704,61601396);河南省高校科技创新团队支持计划(19IRTSTHN014)

    作者简介:

    沈克琳(1987-),女,河南固始人,讲师,硕士,主要从事计算语言学、翻译理论与实践等研究.

    通讯作者: 沈克琳, catherineshkl@163.com
  • 中图分类号: TP391.1

摘要: 提出利用卷积神经网络(CNN)预测英文单词情感极性,并利用英文单词情感极性设计量化篇章情感倾向的方法.首先,利用fastText技术训练词嵌入模型,将英文单词转化为定长、稠密的词向量;接着,以词向量作为输入,构造一维CNN模型,并设计出多种具有不同深度的架构;最后,利用CNN预测模型计算篇章中所含英文单词的平均情感极性作为篇章情感倾向的量化分值.实验结果表明:相比于传统的机器学习模型,提出的CNN预测模型能够提升英文单词情感预测精度,所设计的篇章情感量化方法,也与主观判决情感色彩有较好的一致性.

English Abstract

沈克琳, 吉秉彧, 李然. 基于卷积神经网络的英文篇章情感量化方法[J]. 信阳师范学院学报(自然科学版), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022
引用本文: 沈克琳, 吉秉彧, 李然. 基于卷积神经网络的英文篇章情感量化方法[J]. 信阳师范学院学报(自然科学版), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022
SHEN Kelin, JI Bingyu, LI Ran. Sentiment Quantization of English Texts Based on Convolutional Neural Networks[J]. Journal of Xinyang Normal University (Natural Science Edition), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022
Citation: SHEN Kelin, JI Bingyu, LI Ran. Sentiment Quantization of English Texts Based on Convolutional Neural Networks[J]. Journal of Xinyang Normal University (Natural Science Edition), 2021, 34(1): 130-137. doi: 10.3969/j.issn.1003-0972.2021.01.022
参考文献 (25)

目录

    /

    返回文章
    返回

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计