书籍详情
多语言情感分析及其应用
作者：徐月梅
出版社：清华大学出版社
出版时间：2023-09-01
ISBN：9787302639725
定价：¥68.00
购买这本书可以去
内容简介
情感分析研究属于自然语言处理领域的一个重要分支。在信息全球化背景下，情感分析研究从单语言逐步扩展到多语言场景。本书分为上下两篇，上篇为单语言情感分析，下篇为多语言情感分析，尝试讲清楚情感分析是什么，单语言和多语言情感分析应该怎么做，情感分析需要具备哪些理论基础、技术基础和模型基础，多语言情感分析有哪些可用的语言资源，多语言情感分析未来的发展等问题。 本书能够为多语言自然语言处理和情感分析等领域的科研人员、从业者、在读研究生提供入门理论指导和技术参考。
作者简介
暂缺《多语言情感分析及其应用》作者简介
目录
第1章绪论1
1.1多语言信息的研究背景1
1.2情感分析概述3
1.2.1情感分析的定义3
1.2.2情感分析的分类4
1.2.3情感分析的任务6
1.3情感分析的挑战9
1.4参考文献10
上篇单语语言情感分析
第2章单语情感分析任务15
2.1单语情感分析的研究背景15
2.2单语情感分析的应用场景16
2.2.1商业智能16
2.2.2推荐系统17
2.2.3互联网舆情20
2.2.4医疗健康领域21
2.3单语情感分析的实现步骤23
2.4本章小结24
2.5参考文献24
第3章情感分析的技术基础——文本表示27
3.1传统向量空间模型27
3.1.1基本概念27
3.1.2Onehot模型27
3.1.3TFIDF模型28
3.2文本主题模型29
3.2.1基本概念29
3.2.2PLSA模型30
3.2.3LDA模型33
3.2.4主题模型示例37
目录多语言情感分析及其应用3.3词向量分布式表示模型38
3.3.1Word2vec模型39
3.3.2GloVe模型42
3.3.3词向量模型示例43
3.4本章小结45
3.5参考文献46
第4章情感分析的技术基础——学习模型47
4.1传统机器学习模型47
4.1.1朴素贝叶斯法47
4.1.2k最近邻法49
4.1.3决策树法50
4.1.4支持向量机法55
4.1.5逻辑回归法58
4.2浅层神经网络模型60
4.2.1卷积神经网络模型60
4.2.2长短期记忆模型63
4.3深度预训练神经网络模型66
4.3.1Transformer模型66
4.3.2BERT模型73
4.3.3MultiBERT模型78
4.3.4ELECTRA模型82
4.3.5T5模型87
4.4本章小结90
4.5参考文献91
第5章情感分析的应用93
5.1情感分析在股票预测中的应用93
5.1.1股票走势预测研究背景93
5.1.2相关研究工作94
5.1.3基于新闻事件和情感特征的股票预测模型95
5.1.4实验分析100
5.1.5结论106
5.2情感分析在微博转发规模预测中的应用107
5.2.1微博转发规模预测研究背景107
5.2.2相关研究工作108
5.2.3基于深度融合特征的政务微博转发规模预测模型109
5.2.4实验分析113
5.2.5结语120
5.3情感分析在新闻舆情倾向预测中的应用120
5.3.1新闻舆情倾向预测研究背景121
5.3.2相关研究工作122
5.3.3结合卷积神经网络和Topic2vec的主题演变模型123
5.3.4实验分析127
5.3.5结语133
5.4本章小结133
5.5参考文献133
下篇多语语言情感分析
第6章多语言情感分析任务1416.1多语言情感分析的研究背景141
6.2多语言情感分析的应用场景144
6.2.1商业智能和推荐系统144
6.2.2多语言互联网舆情146
6.2.3多语言情感资源建设146
6.3多语言情感分析的实现步骤147
6.4本章小结149
6.5参考文献150
第7章多语言情感分析的技术基础——跨语言文本表示152
7.1跨语言词向量的定义152
7.2跨语言词向量模型概述153
7.2.1有监督的跨语言词向量模型154
7.2.2半监督的跨语言词向量模型157
7.2.3无监督的跨语言词向量模型160
7.3语义和情感联合学习的跨语言词向量模型研究163
7.3.1单语词向量矩阵标准化165
7.3.2初始跨语言映射矩阵生成166
7.3.3先验情感信息嵌入167
7.3.4跨语言情感词向量映射168
7.3.5实验分析168
7.4本章小结177
7.5参考文献178
第8章多语言情感分析的语言资源——情感词典构建181
8.1情感词典构建181
8.1.1情感词典的定义181
8.1.2情感词典的研究意义182
8.2多语言情感词典资源184
8.2.1情感词典的格式184
8.2.2英文情感词典资源185
8.2.3中文情感词典资源186
8.2.4其他语言情感词典资源188
8.3单语情感词典的构建方法概述191
8.3.1基于PMI相似度的单语情感词典构建193
8.3.2基于关系图传播的单语情感词典构建195
8.3.3基于词向量表示的单语情感词典构建197
8.4多语情感词典的构建方法概述198
8.4.1早期的双语情感词典构建198
8.4.2基于跨语言词向量的双语情感词典构建199
8.5基于领域自适应的单语情感词典构建研究200
8.5.1模型构建流程201
8.5.2情感表示学习202
8.5.3种子词典扩充203
8.5.4情感词典构建204
8.5.5实验与结果分析204
8.6本章小结207
8.7参考文献208
第9章跨语言情感分析213
9.1高、中、低资源语言213
9.1.1高、中、低资源语言的定义213
9.1.2低资源语言的研究意义214
9.2早期跨语言情感分析研究概述215
9.2.1基于机器翻译及其改进的方法216
9.2.2基于平行语料库的方法219
9.2.3基于双语情感词典的方法220
9.3结合词向量表示的跨语言情感分析研究概述222
9.3.1基于跨语言词向量的方法222
9.3.2基于生成对抗网络的方法223
9.3.3基于多语言预训练模型的方法225
9.4跨语言情感分析研究前沿探讨228
9.5本章小结230
9.6参考文献230
第10章多语言情感分析的应用案例236
10.1基于情感特征表示的跨语言文本情感分析研究236
10.1.1模型背景236
10.1.2相关研究工作238
10.1.3基于情感感知的跨语言情感分析模型239
10.1.4实验结果242
10.1.5结论251
10.2基于持续学习的多语言情感分析研究251
10.2.1模型背景252
10.2.2持续学习理论及相关研究253
10.2.3基于持续学习的多语言情感分析模型255
10.2.4实验结果257
10.2.5结论260
10.3大语言模型对多语言智能研究的发展与启示261
10.3.1大语言模型的发展脉络261
10.3.2大语言模型的多语言探索264
10.3.3大语言模型的多语言局限和改进265
10.3.4大语言模型的多语言应用场景266
10.3.5结论267
10.4本章小结267
10.5参考文献268
1.1多语言信息的研究背景1
1.2情感分析概述3
1.2.1情感分析的定义3
1.2.2情感分析的分类4
1.2.3情感分析的任务6
1.3情感分析的挑战9
1.4参考文献10
上篇单语语言情感分析
第2章单语情感分析任务15
2.1单语情感分析的研究背景15
2.2单语情感分析的应用场景16
2.2.1商业智能16
2.2.2推荐系统17
2.2.3互联网舆情20
2.2.4医疗健康领域21
2.3单语情感分析的实现步骤23
2.4本章小结24
2.5参考文献24
第3章情感分析的技术基础——文本表示27
3.1传统向量空间模型27
3.1.1基本概念27
3.1.2Onehot模型27
3.1.3TFIDF模型28
3.2文本主题模型29
3.2.1基本概念29
3.2.2PLSA模型30
3.2.3LDA模型33
3.2.4主题模型示例37
目录多语言情感分析及其应用3.3词向量分布式表示模型38
3.3.1Word2vec模型39
3.3.2GloVe模型42
3.3.3词向量模型示例43
3.4本章小结45
3.5参考文献46
第4章情感分析的技术基础——学习模型47
4.1传统机器学习模型47
4.1.1朴素贝叶斯法47
4.1.2k最近邻法49
4.1.3决策树法50
4.1.4支持向量机法55
4.1.5逻辑回归法58
4.2浅层神经网络模型60
4.2.1卷积神经网络模型60
4.2.2长短期记忆模型63
4.3深度预训练神经网络模型66
4.3.1Transformer模型66
4.3.2BERT模型73
4.3.3MultiBERT模型78
4.3.4ELECTRA模型82
4.3.5T5模型87
4.4本章小结90
4.5参考文献91
第5章情感分析的应用93
5.1情感分析在股票预测中的应用93
5.1.1股票走势预测研究背景93
5.1.2相关研究工作94
5.1.3基于新闻事件和情感特征的股票预测模型95
5.1.4实验分析100
5.1.5结论106
5.2情感分析在微博转发规模预测中的应用107
5.2.1微博转发规模预测研究背景107
5.2.2相关研究工作108
5.2.3基于深度融合特征的政务微博转发规模预测模型109
5.2.4实验分析113
5.2.5结语120
5.3情感分析在新闻舆情倾向预测中的应用120
5.3.1新闻舆情倾向预测研究背景121
5.3.2相关研究工作122
5.3.3结合卷积神经网络和Topic2vec的主题演变模型123
5.3.4实验分析127
5.3.5结语133
5.4本章小结133
5.5参考文献133
下篇多语语言情感分析
第6章多语言情感分析任务1416.1多语言情感分析的研究背景141
6.2多语言情感分析的应用场景144
6.2.1商业智能和推荐系统144
6.2.2多语言互联网舆情146
6.2.3多语言情感资源建设146
6.3多语言情感分析的实现步骤147
6.4本章小结149
6.5参考文献150
第7章多语言情感分析的技术基础——跨语言文本表示152
7.1跨语言词向量的定义152
7.2跨语言词向量模型概述153
7.2.1有监督的跨语言词向量模型154
7.2.2半监督的跨语言词向量模型157
7.2.3无监督的跨语言词向量模型160
7.3语义和情感联合学习的跨语言词向量模型研究163
7.3.1单语词向量矩阵标准化165
7.3.2初始跨语言映射矩阵生成166
7.3.3先验情感信息嵌入167
7.3.4跨语言情感词向量映射168
7.3.5实验分析168
7.4本章小结177
7.5参考文献178
第8章多语言情感分析的语言资源——情感词典构建181
8.1情感词典构建181
8.1.1情感词典的定义181
8.1.2情感词典的研究意义182
8.2多语言情感词典资源184
8.2.1情感词典的格式184
8.2.2英文情感词典资源185
8.2.3中文情感词典资源186
8.2.4其他语言情感词典资源188
8.3单语情感词典的构建方法概述191
8.3.1基于PMI相似度的单语情感词典构建193
8.3.2基于关系图传播的单语情感词典构建195
8.3.3基于词向量表示的单语情感词典构建197
8.4多语情感词典的构建方法概述198
8.4.1早期的双语情感词典构建198
8.4.2基于跨语言词向量的双语情感词典构建199
8.5基于领域自适应的单语情感词典构建研究200
8.5.1模型构建流程201
8.5.2情感表示学习202
8.5.3种子词典扩充203
8.5.4情感词典构建204
8.5.5实验与结果分析204
8.6本章小结207
8.7参考文献208
第9章跨语言情感分析213
9.1高、中、低资源语言213
9.1.1高、中、低资源语言的定义213
9.1.2低资源语言的研究意义214
9.2早期跨语言情感分析研究概述215
9.2.1基于机器翻译及其改进的方法216
9.2.2基于平行语料库的方法219
9.2.3基于双语情感词典的方法220
9.3结合词向量表示的跨语言情感分析研究概述222
9.3.1基于跨语言词向量的方法222
9.3.2基于生成对抗网络的方法223
9.3.3基于多语言预训练模型的方法225
9.4跨语言情感分析研究前沿探讨228
9.5本章小结230
9.6参考文献230
第10章多语言情感分析的应用案例236
10.1基于情感特征表示的跨语言文本情感分析研究236
10.1.1模型背景236
10.1.2相关研究工作238
10.1.3基于情感感知的跨语言情感分析模型239
10.1.4实验结果242
10.1.5结论251
10.2基于持续学习的多语言情感分析研究251
10.2.1模型背景252
10.2.2持续学习理论及相关研究253
10.2.3基于持续学习的多语言情感分析模型255
10.2.4实验结果257
10.2.5结论260
10.3大语言模型对多语言智能研究的发展与启示261
10.3.1大语言模型的发展脉络261
10.3.2大语言模型的多语言探索264
10.3.3大语言模型的多语言局限和改进265
10.3.4大语言模型的多语言应用场景266
10.3.5结论267
10.4本章小结267
10.5参考文献268
猜您喜欢
