基于增强受限玻尔兹曼机的文本数据联合情感/主题建模
计算与语言
2019-03-12 v1 信息检索
机器学习
摘要
近来随着互联网与万维网的发展，各类社交媒体如网络博客成为海量文本数据的来源。通过对这些数据的处理，可以发现关于不同话题、个人观点以及对社会深入理解的实用信息。因此，应用能够自动从文档中抽取主观信息的模型将是高效且有益的。主题建模方法与情感分析是自然语言处理和文本挖掘领域最受关注的课题。本文提出了一种基于受限玻尔兹曼机（RBM，一种神经网络）的联合情感-主题建模新结构。通过修改 RBM 的结构并为其追加一个类似于文本数据情感值的层，我们提出了一种基于神经网络的联合情感主题生成式建模结构。所提方法为监督式，由对比散度（Contrastive Divergence）算法训练。模型中新附加的层为具有多项概率分布的层，可用于文本数据情感分类或其他监督式应用。在实验中将所提模型与现有模型进行比较，如作为生成式模型评估、情感分类、信息检索，相应结果表明了该方法的有效性。
引用
@article{arxiv.1711.03736,
title = {Joint Sentiment/Topic Modeling on Text Data Using Boosted Restricted Boltzmann Machine},
author = {Masoud Fatemi and Mehran Safayani},
journal= {arXiv preprint arXiv:1711.03736},
year = {2019}
}