前言
第一部分
第1章 概述
1.1 文本情感分析相关概念
1.2 文本情感分析方法
1.2.1 基于知识库的方法
1.2.2 基于机器学习的方法
1.2.3 基于深度学习的方法
1.3 情感分析的应用
1.3.1 商业领域
1.3.2 文化领域
1.3.3 社会管理
1.3.4 信息预测
1.3.5 情绪管理
1.3.6 智能客服
1.4 情感分析面临的困难
1.5 机遇和挑战
1.6 本章小结
第2章 文本情感分析基础
2.1 有监督学习
2.2 无监督学习
2.3 半监督学习
2.4 词向量
2.4.1 词向量表示的演化过程
2.4.2 词嵌入方法
2.5 卷积神经网络
2.5.1 卷积层
2.5.2 激活函数层
2.5.3 池化层
2.5.4 全连接层
2.6 循环神经网络
2.7 记忆网络
2.8 预训练模型
2.8.1 模型结构
2.8.2 预训练任务
2.9 本章小结
第二部分
第3章 基于文本片段不一致性的讽刺检测模型
3.1 任务与术语
3.2 片段不一致性
3.3 自注意力机制
3.4 模型框架
3.4.1 总体框架
3.4.2 输入模块
3.4.3 卷积模块
3.4.4 重要性权重模块
3.4.5 注意力机制模块
3.4.6 输出模块
3.4.7 训练目标
3.5 实验设计和结果分析
3.5.1 数据集介绍
3.5.2 实验环境和设置
3.5.3 基线模型
3.5.4 对比实验结果
3.5.5 消融实验结果
3.5.6 模型分析
3.6 应用实践
3.7 本章小结
第4章 基于常识知识的讽刺检测
4.1 任务与术语
4.2 常识知识资源
4.3 知识生成方法
4.4 知识选择方法
4.5 知识融合方法
4.6 模型框架
4.7 实验设计和结果分析
4.7.1 数据集介绍
4.7.2 实验环境和设置
4.7.3 基线模型
4.7.4 对比实验结果
4.7.5 消融实验结果
4.7.6 模型分析
4.8 应用实践
4.9 本章小结
第5章 基于多模态数据的讽刺检测
5.1 任务与术语
5.2 模态内注意力
5.3 模态间注意力
5.4 模型框架
5.5 实验设计和结果分析
5.5.1 数据集介绍
5.5.2 实验环境和设置
5.5.3 基线模型
5.5.4 对比实验结果
5.5.5 消融实验结果
5.5.6 模型分析
5.6 应用实践
5.7 本章小结
第三部分
第6章 基于用户建模的对话情绪分析
6.1 任务与术语
6.2 层级Transformer和Mask机制
6.3 自己-自己关系建模
6.4 自己-其他关系建模
6.5 用户关系权重选择
6.6 模型框架
6.7 应用实践
6.7.1 常用数据集
6.7.2 其他对话用户关系建模模型
6.7.3 实验结果
6.8 本章小结
第7章 基于过去、现在和未来的对话情绪分析
7.1 任务与术语
7.2 常识知识库
7.2.1 ATOMIC常识知识库
7.2.2 COMET知识生成模型
7.2.3 COMETATOMIC2020知识生成模型
7.3 图神经网络
7.4 基于知识的情绪预测
7.4.1 知识增强的Transformer
7.4.2 COSMIC情绪预测模型
7.5 对话上下文交互图构建
7.6 模型框架
7.7 应用实践
7.8 本章小结
第8章 基于平衡特征空间的不平衡情绪分析
8.1 情绪分析中的不平衡问题
8.2 基于重采样的平衡策略
8.3 基于重权重化的平衡策略
8.3.1 类别平衡损失函数
8.3.2 标签分布感知的间隔损失函数
8.4 基于数据增强的平衡策略
8.4.1 计算机视觉中的基于数据增强的平衡策略
8.4.2 自然语言处理中的数据增强方法
8.5 Focal损失函数
8.6 自我调整的Dice损失函数
8.7 中心损失函数
8.8 三元组中心损失函数
8.9 最大马氏分布中心
8.10 特征空间平衡损失函数
8.11 应用实践
8.11.1 代码实现
8.11.2 实验性能
8.12 本章小结
第四部分
第9章 基于语义-情绪知识的跨目标立场检测
9.1 任务描述
9.2 立场检测基础模型
9.3 语义知识和情绪知识
9.4 模型框架
9.5 语义-情绪图建模
9.6 知识增强的BiLSTM网络
9.7 立场检测分类器
9.8 模型应用
9.8.1 实验说明
9.8.2 实验结果与分析
9.9 本章小结
第10章 基于元学习的跨领域立场检测
10.1 元学习概念
10.2 有监督元学习
10.2.1 基于度量的元学习方法
10.2.2 基于模型的元学习方法
10.2.3 基于优化的元学习方法
10.3 MAML算法
10.4 基于元学习的立场检测模型
10.5 应
展开
