情感分析进阶

内容简介

参考文献

15.8 本章小结

15.7 实验分析

15.6 应用实践

15.5 可验证区域的估计

15.4 最大化可验证区域

15.3 基于多跳邻居的扰动分布

15.2 可验证区域

15.1 任务与术语

第15章 基于可验证区域的情感分类防御

参考文献

14.6 本章小结

14.5 同义词编码

14.4 错别字鲁棒编码

14.3 对抗训练方法

14.2 数据增强方法

14.1 任务与术语

第14章 基于数据优化的情感分类防御

参考文献

13.5 本章小结

13.4 应用实践

13.3 两步拼写校正模型

13.2 鲁棒单词识别模型

13.1 任务与术语

第13章 基于前置检测的情感分类防御

参考文献

12.8 本章小结

12.7 句子级对抗攻击方法

12.6 词语级对抗攻击方法

12.5 字符级对抗攻击方法

12.4 目标攻击与非目标攻击

12.3 白盒攻击与黑盒攻击

12.2 扰动控制

12.1 对抗样本的概念

第12章 面向情感分类的对抗攻击

第五部分

参考文献

11.7 本章小结

11.6 应用实践

11.5 知识增强的立场检测模型

11.4 基于多关系图神经网络的知识图编码

11.3 多关系图神经网络

11.2 概念知识图

11.1 任务与术语

第11章 知识增强的零样本和小样本立场检测

参考文献

10.6 本章小结

10.5 应用实践

10.4 基于元学习的立场检测模型

10.3 MAML算法

10.2 有监督元学习

10.1 元学习概念

第10章 基于元学习的跨领域立场检测

参考文献

9.9 本章小结

9.8 模型应用

9.7 立场检测分类器

9.6 知识增强的BiLSTM网络

9.5 语义-情绪图建模

9.4 模型框架

9.3 语义知识和情绪知识

9.2 立场检测基础模型

9.1 任务描述

第9章 基于语义-情绪知识的跨目标立场检测

第四部分

参考文献

8.12 本章小结

8.11 应用实践

8.10 特征空间平衡损失函数

8.9 最大马氏分布中心

8.8 三元组中心损失函数

8.7 中心损失函数

8.6 自我调整的Dice损失函数

8.5 Focal损失函数

8.4 基于数据增强的平衡策略

8.3 基于重权重化的平衡策略

8.2 基于重采样的平衡策略

8.1 情绪分析中的不平衡问题

第8章 基于平衡特征空间的不平衡情绪分析

参考文献

7.8 本章小结

7.7 应用实践

7.6 模型框架

7.5 对话上下文交互图构建

7.4 基于知识的情绪预测

7.3 图神经网络

7.2 常识知识库

7.1 任务与术语

第7章 基于过去、现在和未来的对话情绪分析

参考文献

6.8 本章小结

6.7 应用实践

6.6 模型框架

6.5 用户关系权重选择

6.4 自己-其他关系建模

6.3 自己-自己关系建模

6.2 层级Transformer和Mask机制

6.1 任务与术语

第6章 基于用户建模的对话情绪分析

第三部分

参考文献

5.7 本章小结

5.6 应用实践

5.5 实验设计和结果分析

5.4 模型框架

5.3 模态间注意力

5.2 模态内注意力

5.1 任务与术语

第5章 基于多模态数据的讽刺检测

参考文献

4.9 本章小结

4.8 应用实践

4.7 实验设计和结果分析

4.6 模型框架

4.5 知识融合方法

4.4 知识选择方法

4.3 知识生成方法

4.2 常识知识资源

4.1 任务与术语

第4章 基于常识知识的讽刺检测

参考文献

3.7 本章小结

3.6 应用实践

3.5 实验设计和结果分析

3.4 模型框架

3.3 自注意力机制

3.2 片段不一致性

3.1 任务与术语

第3章 基于文本片段不一致性的讽刺检测模型

第二部分

参考文献

2.9 本章小结

2.8 预训练模型

2.7 记忆网络

2.6 循环神经网络

2.5 卷积神经网络

2.4 词向量

2.3 半监督学习

2.2 无监督学习

2.1 有监督学习

第2章 文本情感分析基础

参考文献

1.6 本章小结

1.5 机遇和挑战

1.4 情感分析面临的困难

1.3 情感分析的应用

1.2 文本情感分析方法

1.1 文本情感分析相关概念

第1章 概述

第一部分

前言

作者简介

版权信息

封面

封面

版权信息

作者简介

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

1.3 情感分析的应用

1.4 情感分析面临的困难

1.5 机遇和挑战

1.6 本章小结

参考文献

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

2.5 卷积神经网络

2.6 循环神经网络

2.7 记忆网络

2.8 预训练模型

2.9 本章小结

参考文献

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

3.5 实验设计和结果分析

3.6 应用实践

3.7 本章小结

参考文献

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

4.8 应用实践

4.9 本章小结

参考文献

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

5.6 应用实践

5.7 本章小结

参考文献

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

6.8 本章小结

参考文献

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

7.3 图神经网络

7.4 基于知识的情绪预测

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

参考文献

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

8.4 基于数据增强的平衡策略

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

8.12 本章小结

参考文献

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

9.9 本章小结

参考文献

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

10.3 MAML算法

10.4 基于元学习的立场检测模型

10.5 应用实践

10.6 本章小结

参考文献

第11章 知识增强的零样本和小样本立场检测

11.1 任务与术语

11.2 概念知识图

11.3 多关系图神经网络

11.4 基于多关系图神经网络的知识图编码

11.5 知识增强的立场检测模型

11.6 应用实践

11.7 本章小结

参考文献

第五部分

第12章 面向情感分类的对抗攻击

12.1 对抗样本的概念

12.2 扰动控制

12.3 白盒攻击与黑盒攻击

12.4 目标攻击与非目标攻击

12.5 字符级对抗攻击方法

12.6 词语级对抗攻击方法

12.7 句子级对抗攻击方法

12.8 本章小结

参考文献

第13章 基于前置检测的情感分类防御

13.1 任务与术语

13.2 鲁棒单词识别模型

13.3 两步拼写校正模型

13.4 应用实践

13.5 本章小结

参考文献

第14章 基于数据优化的情感分类防御

14.1 任务与术语

14.2 数据增强方法

14.3 对抗训练方法

14.4 错别字鲁棒编码

14.5 同义词编码

14.6 本章小结

参考文献

第15章 基于可验证区域的情感分类防御

15.1 任务与术语

15.2 可验证区域

15.3 基于多跳邻居的扰动分布

15.4 最大化可验证区域

15.5 可验证区域的估计

15.6 应用实践

15.7 实验分析

15.8 本章小结

参考文献

内容简介