深度學(xué)習(xí)新算法，完成字里行間的情緒識別

發(fā)表于2013-10-12 11:41|?40891次閱讀| 來源Wired|?68?條評論| 作者Daniela Hernandez

深度學(xué)習(xí)人工智能機器學(xué)習(xí)NaSent allowtransparency="true" frameborder="0" scrolling="no" src="http://hits.sinajs.cn/A1/weiboshare.html?url=http%3A%2F%2Fwww.csdn.net%2Farticle%2F2013-10-12%2F2817157-nasent-deep-learning&type=3&count=&appkey=&title=%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%98%AF%E8%BF%91%E5%87%A0%E5%B9%B4%E4%B9%9F%E8%A2%AB%E5%BD%92%E5%85%A5%E4%BA%86%E8%BF%87%E5%88%86%E5%90%B9%E5%98%98%E7%9A%84%E6%8A%80%E6%9C%AF%E4%B9%8B%E4%B8%80%EF%BC%8C%E7%A9%B6%E5%85%B6%E5%8E%9F%E5%9B%A0%E5%9C%A8%E4%BA%8E%E8%BF%98%E6%B2%A1%E6%9C%89%E6%88%90%E7%86%9F%E7%9A%84%E7%AE%97%E6%B3%95%E5%92%8C%E5%BA%94%E7%94%A8%E3%80%82%E7%84%B6%E8%80%8C%E5%AD%A6%E6%9C%AF%E7%95%8C%E4%B8%80%E7%9B%B4%E6%B2%A1%E6%9C%89%E5%81%9C%E6%AD%A2%E8%BF%99%E6%96%B9%E9%9D%A2%E7%9A%84%E7%A0%94%E7%A9%B6%EF%BC%8C%E8%BF%91%E6%97%A5%EF%BC%8C%E6%96%AF%E5%9D%A6%E7%A6%8F%E5%A4%A7%E5%AD%A6%E7%A0%94%E7%A9%B6%E5%BC%80%E5%8F%91%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%96%B0%E7%AE%97%E6%B3%95NaSent%EF%BC%8C%E6%88%96%E4%B8%BA%E8%BF%99%E4%B8%AA%E9%A2%86%E5%9F%9F%E5%B8%A6%E6%9D%A5%E4%B8%80%E7%BA%BF%E6%9B%99%E5%85%89%E3%80%82&pic=&ralateUid=&language=zh_cn&rnd=1461319069746" width="22" height="16">摘要：深度學(xué)習(xí)是近幾年也被歸入了過分吹噓的技術(shù)之一，究其原因在于還沒有成熟的算法和應(yīng)用。然而學(xué)術(shù)界一直沒有停止這方面的研究，近日，斯坦福大學(xué)研究開發(fā)的深度學(xué)習(xí)新算法NaSent，或為這個領(lǐng)域帶來一線曙光。

深度學(xué)習(xí)領(lǐng)域是計算機科學(xué)一個新興領(lǐng)域，通俗說來就是構(gòu)建像人腦一樣處理數(shù)據(jù)的計算機程序。深度學(xué)習(xí)首先發(fā)起于學(xué)術(shù)界，目前各大互聯(lián)網(wǎng)巨頭也紛紛投入研究，如Google的貓臉識別以及Facebook的深度學(xué)習(xí)團隊。

每天，數(shù)百萬人在使用Twitter、Facebook和其它社交網(wǎng)絡(luò)來就各類熱點話題互相交流。大量的個人信息被匯集到這里，對于Google、Facebook、Amazon和Twitter等大型互聯(lián)網(wǎng)公司來說，如果擁有較為實用的深度學(xué)習(xí)技術(shù)，這些數(shù)據(jù)就可以轉(zhuǎn)化為財富。但是說起來容易做起來難，對這些數(shù)據(jù)的處理能力很大程度上取決于他們的計算機算法是否成熟。

近日，斯擔(dān)福大學(xué)的研究生Richard Socher和Andrew Ng（Google深度學(xué)習(xí)項目工程師之一），以及一位語言學(xué)及人工智能領(lǐng)域的專家Chris Manning，共同研究開發(fā)了一個深度學(xué)習(xí)的新算法，這個算法被稱為Neural Analysis of Sentiment，縮寫為NaSent。NaSent算法從人腦中得到靈感，旨在改善當(dāng)前書面語言的分析方法。

Socher介紹說NaSent的目的是開發(fā)一種可在無人監(jiān)督的情況下運行的算法。“過去感知分析主要聚焦于模型，忽略了詞序，而且依賴人工干預(yù)，并且只適用于簡單的例子，永遠不會達到人類的理解能力。因為詞義會隨語境變化，就算是語言專家也不能準確定義語言中感情的微妙之處。我們的深度學(xué)習(xí)模型就是為了解決這些問題”。

目前，應(yīng)用最廣的情緒分析是“詞袋（bag of wodrds）”模型，并沒有將詞序列入考慮范圍。詞袋中的詞匯被標記為正面或負面的，通過計數(shù)來評估整個句子或段落的含義是正面還是負面。

AlchemyAPI（一家將深度學(xué)習(xí)用于情緒分析的公司）CEO說將詞匯單獨分析的方法并不準確，必須將其放入到越來越大的結(jié)構(gòu)中。

Socher和他的團隊從影評網(wǎng)站Rotten Tomatoes抽取了12000個句子，并將其粗略分割為214000個詞組，每個詞組被標記為負面、中立或正面（數(shù)字表示），計算機科學(xué)家稱這些數(shù)字化的表述為“特征表示”，類似于人腦理解概念和定義的方式。

如何分析和組織這些被標記的數(shù)據(jù)才是NaSent算法的核心。以下通過對兩個句子的分析來理解這個算法：

• Unlike the surreal Leon, this movie is weird but likeable.
• Unlike the surreal but likeable Leon, this movie is weird.

這兩個句子中使用的詞匯完全相同，“詞袋”模型分析顯然不會得到正確的結(jié)果。NaSent算法首先會為每個句子構(gòu)造文法樹，如下圖所示：

在分析句子時，紅色的節(jié)點代表這個詞匯或短語帶有負面情緒，例如“weird”雖然是一個負面詞匯，但短語“is weird but likeable”被正確理解為正面情緒。

如上圖所示“surreal but likeable Leon”是一個正面詞組，但“this movie is weird”是負面的，整個句子得到的分析結(jié)果也是負面的。

相比之前模型80%的準確率，NaSent的準確率達到了85%。這個系統(tǒng)還沒有授權(quán)給外部組織，但是據(jù)Socher說已經(jīng)有幾個初創(chuàng)公司聯(lián)系他們表示對NaSent算法很感興趣。

但遇到?jīng)]有被統(tǒng)計的詞匯或短語，這個系統(tǒng)就會失效。Socher和他的團隊已經(jīng)開始通過Twitter和網(wǎng)上的電影數(shù)據(jù)庫，擴充系統(tǒng)的詞匯庫。他們還允許外部人員對這個詞匯庫進行擴充。短短幾周內(nèi)，就收到了14000份詞匯庫的提交。

原文鏈接：

These Guys Are Teaching Computers How to Think Like People

Stanford Algorithm Analyzes Sentence Sentiment，Avances Machine Learning（編譯/周小璐 審校/仲浩）

總結(jié)

以上是生活随笔為你收集整理的深度学习新算法，完成字里行间的情绪识别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。