情感分析进阶

目录
前言
第一部分
第1章 概述2
1.1文本情感分析相关概念2
1.2文本情感分析方法4
1.2.1基于知识库的方法4
1.2.2基于机器学习的方法4
1.2.3基于深度学习的方法5
1.3情感分析的应用5
1.3.1商业领域5
1.3.2文化领域6
1.3.3社会管理7
1.3.4信息预测7
1.3.5情绪管理8
1.3.6智能客服8
1.4情感分析面临的困难9
1.5机遇和挑战9
1.6本章小结10
第2章文本情感分析基础13
2.1有监督学习13
2.2无监督学习13
2.3半监督学习14
2.4词向量14
2.4.1词向量表示的演化过程14
2.4.2词嵌入方法15
2.5卷积神经网络18
2.5.1卷积层19
2.5.2激活函数层20
2.5.3池化层21
2.5.4全连接层22
2.6循环神经网络22
2.7记忆网络24
2.8预训练模型25
2.8.1模型结构25
2.8.2预训练任务27
2.9本章小结27
第二部分
第3章基于文本片段不一致性的讽刺
检测模型32
3.1任务与术语32
3.2片段不一致性32
3.3自注意力机制33
3.4模型框架33
3.4.1总体框架33
3.4.2输入模块34
3.4.3卷积模块34
3.4.4重要性权重模块34
3.4.5注意力机制模块35
3.4.6输出模块35
3.4.7训练目标36
3.5实验设计和结果分析36
3.5.1数据集介绍36
3.5.2实验环境和设置37
3.5.3基线模型37
3.5.4对比实验结果37
3.5.5消融实验结果39
3.5.6模型分析39
3.6应用实践41
3.7本章小结42
第4章基于常识知识的讽刺检测
44
4.1任务与术语44
4.2常识知识资源44
4.3知识生成方法45
4.4知识选择方法45
4.5知识融合方法46
4.6模型框架47
4.7实验设计和结果分析47
4.7.1数据集介绍47
4.7.2实验环境和设置48
4.7.3基线模型48
4.7.4对比实验结果48
4.7.5消融实验结果50
4.7.6模型分析50
4.8应用实践52
4.9本章小结53
第5章基于多模态数据的讽刺检测
55
5.1任务与术语55
5.2模态内注意力55
5.3模态间注意力56
5.4模型框架57
5.5实验设计和结果分析57
5.5.1数据集介绍57
5.5.2实验环境和设置58
5.5.3基线模型58
5.5.4对比实验结果59
5.5.5消融实验结果59
5.5.6模型分析60
5.6应用实践61
5.7本章小结63
第三部分
第6章基于用户建模的对话情绪分析
66
6.1任务与术语66
6.2层级Transformer和Mask机制
69
6.3自己-自己关系建模71
6.4自己-其他关系建模72
6.5用户关系权重选择72
6.6模型框架73
6.7应用实践76
6.7.1常用数据集76
6.7.2其他对话用户关系建模模型
76
6.7.3实验结果77
6.8本章小结80
第7章基于过去、现在和未来的对话
情绪分析84
7.1任务与术语84
7.2常识知识库85
7.2.1ATOMIC常识知识库86
7.2.2COMET知识生成模型87
7.2.3COMETATOMIC2020知识生成
模型88
7.3图神经网络88
7.4基于知识的情绪预测92
7.4.1知识增强的Transformer93
7.4.2COSMIC情绪预测模型94
7.5对话上下文交互图构建95
7.6模型框架97
7.7应用实践98
7.8本章小结99
第8章基于平衡特征空间的不平衡
情绪分析102
8.1情绪分析中的不平衡问题102
8.2基于重采样的平衡策略103
8.3基于重权重化的平衡策略104
8.3.1类别平衡损失函数104
8.3.2标签分布感知的间隔损失函数
106
8.4基于数据增强的平衡策略107
8.4.1计算机视觉中的基于数据增强
的平衡策略107
8.4.2自然语言处理中的数据增强方法
108
8.5Focal损失函数108
8.6自我调整的Dice损失函数109
8.7中心损失函数110
8.8三元组中心损失函数110
8.9最大马氏分布中心111
8.10特征空间平衡损失函数112
8.11应用实践113
8.11.1代码实现113
8.11.2实验性能115
8.12本章小结117
第四部分
第9章基于语义-情绪知识的跨目标
立场检测122
9.1任务描述122
9.2立场检测基础模型123
9.3语义知识和情绪知识123
9.4模型框架124
9.5语义-情绪图建模125
9.6知识增强的BiLSTM网络125
9.7立场检测分类器127
9.8模型应用127
9.8.1实验说明127
9.8.2实验结果与分析128
9.9本章小结129
第10章基于元学习的跨领域立场检测
131
10.1元学习概念131
10.2有监督元学习131
10.2.1基于度量的元学习方法131
10.2.2基于模型的元学习方法133
10.2.3基于优化的元学习方法135
10.3MAML算法136
10.4基于元学习的立场检测模型
137
10.5应用实践138
10.5.1数据集介绍138
10.5.2实验细节139
10.5.3对比模型139
10.5.4实验结果139
10.5.5核心代码140
10.6本章小结142
第11章知识增强的零样本和小样本
立场检测144
11.1任务与术语144
11.2概念知识图145
11.3多关系图神经网络146
11.4基于多关系图神经网络的
知识图编码147
11.5知识增强的立场检测模型
147
11.6应用实践149
11.6.1实验设置149
11.6.2核心代码149
11.6.3对比方法152
11.6.4实验结果与分析152
11.7本章小结154
第五部分
第12章面向情感分类的对抗攻击
158
12.1对抗样本的概念158
12.1.1对抗样本的提出158
12.1.2对抗样本的定义159
12.2扰动控制160
12.2.1编辑距离160
12.2.2欧氏距离160
12.2.3余弦距离161
12.2.4Jaccard相似系数161
12.2.5单词移动距离161
12.2.6各种指标的应用161
12.3白盒攻击与黑盒攻击162
12.4目标攻击与非目标攻击16