Đăng nhập để tải tài liệu không giới hạn
Tham gia 8.000+ người dùng Thư Viện Luận Án
Đang tải tài liệu...
KHAI PHÁ QUAN ĐIỂM VỚI KỸ THUẬT HỌC SÂU
KHOA HỌC MÁY TÍNH
Luận án "Khai phá quan điểm với kỹ thuật học sâu" tập trung giải quyết thách thức trong lĩnh vực khai phá quan điểm bằng cách đề xuất và thử nghiệm các giải pháp tiên tiến nhằm cải thiện hiệu suất và tăng tính tiện ích. Nghiên cứu này đặc biệt chú trọng vào việc sử dụng các mô hình học sâu để thực hiện các tác vụ trích rút và phân loại quan điểm đa tác vụ trên cả dữ liệu đơn miền và đa miền, vốn là hướng nghiên cứu chính và đang phát triển mạnh mẽ.
Các đóng góp chính của luận án bao gồm việc xác định tầm quan trọng của khía cạnh hoặc đặc trưng của thực thể trong khai phá quan điểm. Trên cơ sở đó, luận án đã đề xuất hai mô hình trích rút khía cạnh dựa trên học sâu là BiGRU_CRF và BiIndyLSTM_CRF. Kết quả thực nghiệm cho thấy các mô hình này đạt hiệu suất cao hơn đáng kể so với các mô hình trích rút khía cạnh truyền thống trên các tập dữ liệu đơn miền Laptop và Restaurant từ SemEval 2014.
Ngoài ra, luận án còn đề xuất khả năng thực hiện đồng thời các tác vụ trích rút và phân loại quan điểm, cùng với một mô hình khai phá quan điểm mức khía cạnh đa tác vụ mới sử dụng kỹ thuật học sâu. Mô hình này không chỉ cải thiện độ chính xác mà còn đạt hiệu suất vượt trội khi thực hiện các tác vụ đồng thời trên các tập dữ liệu đơn miền Laptop và Restaurant của SemEval 2014 và SemEval 2016.
Đặc biệt, luận án đã mở rộng nghiên cứu sang mô hình khai phá quan điểm mức khía cạnh đa tác vụ trên tập dữ liệu đa miền, nhằm tiết kiệm thời gian thiết kế, tối ưu tài nguyên và tăng tính tiện ích khi chỉ sử dụng một mô hình duy nhất cho nhiều miền dữ liệu. Để phục vụ mục đích này, một tập dữ liệu đa miền đã được xây dựng từ việc trộn ngẫu nhiên các bình luận từ các miền Restaurant và Laptop của SemEval 2016, giúp đánh giá toàn diện hiệu quả của mô hình đề xuất.
Tải không giới hạn tất cả tài liệu, không cần chờ. Chỉ từ 199.000đ/tháng.
Xem gói hội viên