经典中国文学情感分析:使用BERT和图表注意力网络的无监督深度学习模型
1School of Arts and Social Sciences, Hong Kong Metropolitan University, Kowloon, Hong Kong.
PloS one
|September 23, 2025
概括
本研究介绍了在古典中国文学中进行情感分析的无监督深度学习框架,通过整合BERT嵌入,情感词汇丰富和图表注意力网络 (GAT) 来实现高准确性. 该模型有效地处理复杂的语言特征和文化细微差别在低资源领域.
科学领域:
- 自然语言处理 (NLP) 是一种自然语言处理.
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算语言学 计算语言学
背景情况:
- 在NLP,社交媒体和文学分析中,情感分析至关重要.
- 像BERT和GAT这样的深度学习模型推进了文本分析,但与古典中国文学复杂的语法,语义和隐含情绪作斗争.
- 使用标记数据或基本无监督学习的现有方法无法捕捉历史文本中的上下文依赖性和细微差别.
研究的目的:
- 提出一种无监督的深度学习框架,用于根据中国古典文学量身定制的情感分析.
- 克服现有方法在处理历史文本中隐含的情感,隐喻和上下文依赖性的局限性.
- 开发一个强大的情绪分析解决方案,用于低资源领域,如古典中国文学.
主要方法:
- 集成BERT嵌入式,以深入的语义理解.
- 用来自NTUSD词典的情绪特定数据丰富嵌入.
- 图表注意网络 (GATs) 的应用,以建模词语关系和上下文意义.
- 使用K-Means集群进行无监督的情感标签.
主要成果:
- 拟议的模型实现了高性能:准确度为0.95,精度为0.97,回忆率为0.96和F1得分为0.91.
- 性能优于传统方法 (SentiCNN,MLT-ML4,BERT-LLSTM-DL),准确度分数从0.90到0.95.9不等.
- 在古典中文文本的零射击分类中,在大型基础模型 (ChatGPT-4o,DeepSeek R1) 上证明了域调整的优势.
结论:
- 无监督深度学习框架显著增强了对中国古典文学情感分析.
- 该模型有效地解决了复杂的语言特征和文化细微差别,为低资源领域提供了强大的解决方案.
- 这种方法为分析具有隐含情感的历史和哲学文本提供了有价值的工具.