最新章節

• 封底
• 內容簡介
• 參考文獻
• 15.8 本章小結
• 15.7 實驗分析
• 15.6 應用實踐

• 封底 更新時間：2023-08-28 18:19:05
• 內容簡介
• 參考文獻
• 15.8 本章小結
• 15.7 實驗分析
• 15.6 應用實踐
• 15.5 可驗證區域的估計
• 15.4 最大化可驗證區域
• 15.3 基于多跳鄰居的擾動分布
• 15.2 可驗證區域
• 15.1 任務與術語
• 第15章 基于可驗證區域的情感分類防御
• 參考文獻
• 14.6 本章小結
• 14.5 同義詞編碼
• 14.4 錯別字魯棒編碼
• 14.3 對抗訓練方法
• 14.2 數據增強方法
• 14.1 任務與術語
• 第14章 基于數據優化的情感分類防御
• 參考文獻
• 13.5 本章小結
• 13.4 應用實踐
• 13.3 兩步拼寫校正模型
• 13.2 魯棒單詞識別模型
• 13.1 任務與術語
• 第13章 基于前置檢測的情感分類防御
• 參考文獻
• 12.8 本章小結
• 12.7 句子級對抗攻擊方法
• 12.6 詞語級對抗攻擊方法
• 12.5 字符級對抗攻擊方法
• 12.4 目標攻擊與非目標攻擊
• 12.3 白盒攻擊與黑盒攻擊
• 12.2 擾動控制
• 12.1 對抗樣本的概念
• 第12章 面向情感分類的對抗攻擊
• 第五部分
• 參考文獻
• 11.7 本章小結
• 11.6 應用實踐
• 11.5 知識增強的立場檢測模型
• 11.4 基于多關系圖神經網絡的知識圖編碼
• 11.3 多關系圖神經網絡
• 11.2 概念知識圖
• 11.1 任務與術語
• 第11章 知識增強的零樣本和小樣本立場檢測
• 參考文獻
• 10.6 本章小結
• 10.5 應用實踐
• 10.4 基于元學習的立場檢測模型
• 10.3 MAML算法
• 10.2 有監督元學習
• 10.1 元學習概念
• 第10章 基于元學習的跨領域立場檢測
• 參考文獻
• 9.9 本章小結
• 9.8 模型應用
• 9.7 立場檢測分類器
• 9.6 知識增強的BiLSTM網絡
• 9.5 語義-情緒圖建模
• 9.4 模型框架
• 9.3 語義知識和情緒知識
• 9.2 立場檢測基礎模型
• 9.1 任務描述
• 第9章 基于語義-情緒知識的跨目標立場檢測
• 第四部分
• 參考文獻
• 8.12 本章小結
• 8.11 應用實踐
• 8.10 特征空間平衡損失函數
• 8.9 最大馬氏分布中心
• 8.8 三元組中心損失函數
• 8.7 中心損失函數
• 8.6 自我調整的Dice損失函數
• 8.5 Focal損失函數
• 8.4 基于數據增強的平衡策略
• 8.3 基于重權重化的平衡策略
• 8.2 基于重采樣的平衡策略
• 8.1 情緒分析中的不平衡問題
• 第8章 基于平衡特征空間的不平衡情緒分析
• 參考文獻
• 7.8 本章小結
• 7.7 應用實踐
• 7.6 模型框架
• 7.5 對話上下文交互圖構建
• 7.4 基于知識的情緒預測
• 7.3 圖神經網絡
• 7.2 常識知識庫
• 7.1 任務與術語
• 第7章 基于過去、現在和未來的對話情緒分析
• 參考文獻
• 6.8 本章小結
• 6.7 應用實踐
• 6.6 模型框架
• 6.5 用戶關系權重選擇
• 6.4 自己-其他關系建模
• 6.3 自己-自己關系建模
• 6.2 層級Transformer和Mask機制
• 6.1 任務與術語
• 第6章 基于用戶建模的對話情緒分析
• 第三部分
• 參考文獻
• 5.7 本章小結
• 5.6 應用實踐
• 5.5 實驗設計和結果分析
• 5.4 模型框架
• 5.3 模態間注意力
• 5.2 模態內注意力
• 5.1 任務與術語
• 第5章 基于多模態數據的諷刺檢測
• 參考文獻
• 4.9 本章小結
• 4.8 應用實踐
• 4.7 實驗設計和結果分析
• 4.6 模型框架
• 4.5 知識融合方法
• 4.4 知識選擇方法
• 4.3 知識生成方法
• 4.2 常識知識資源
• 4.1 任務與術語
• 第4章 基于常識知識的諷刺檢測
• 參考文獻
• 3.7 本章小結
• 3.6 應用實踐
• 3.5 實驗設計和結果分析
• 3.4 模型框架
• 3.3 自注意力機制
• 3.2 片段不一致性
• 3.1 任務與術語
• 第3章 基于文本片段不一致性的諷刺檢測模型
• 第二部分
• 參考文獻
• 2.9 本章小結
• 2.8 預訓練模型
• 2.7 記憶網絡
• 2.6 循環神經網絡
• 2.5 卷積神經網絡
• 2.4 詞向量
• 2.3 半監督學習
• 2.2 無監督學習
• 2.1 有監督學習
• 第2章 文本情感分析基礎
• 參考文獻
• 1.6 本章小結
• 1.5 機遇和挑戰
• 1.4 情感分析面臨的困難
• 1.3 情感分析的應用
• 1.2 文本情感分析方法
• 1.1 文本情感分析相關概念
• 第1章 概述
• 第一部分
• 前言
• 作者簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 作者簡介
• 前言
• 第一部分
• 第1章 概述
• 1.1 文本情感分析相關概念
• 1.2 文本情感分析方法
• 1.3 情感分析的應用
• 1.4 情感分析面臨的困難
• 1.5 機遇和挑戰
• 1.6 本章小結
• 參考文獻
• 第2章 文本情感分析基礎
• 2.1 有監督學習
• 2.2 無監督學習
• 2.3 半監督學習
• 2.4 詞向量
• 2.5 卷積神經網絡
• 2.6 循環神經網絡
• 2.7 記憶網絡
• 2.8 預訓練模型
• 2.9 本章小結
• 參考文獻
• 第二部分
• 第3章 基于文本片段不一致性的諷刺檢測模型
• 3.1 任務與術語
• 3.2 片段不一致性
• 3.3 自注意力機制
• 3.4 模型框架
• 3.5 實驗設計和結果分析
• 3.6 應用實踐
• 3.7 本章小結
• 參考文獻
• 第4章 基于常識知識的諷刺檢測
• 4.1 任務與術語
• 4.2 常識知識資源
• 4.3 知識生成方法
• 4.4 知識選擇方法
• 4.5 知識融合方法
• 4.6 模型框架
• 4.7 實驗設計和結果分析
• 4.8 應用實踐
• 4.9 本章小結
• 參考文獻
• 第5章 基于多模態數據的諷刺檢測
• 5.1 任務與術語
• 5.2 模態內注意力
• 5.3 模態間注意力
• 5.4 模型框架
• 5.5 實驗設計和結果分析
• 5.6 應用實踐
• 5.7 本章小結
• 參考文獻
• 第三部分
• 第6章 基于用戶建模的對話情緒分析
• 6.1 任務與術語
• 6.2 層級Transformer和Mask機制
• 6.3 自己-自己關系建模
• 6.4 自己-其他關系建模
• 6.5 用戶關系權重選擇
• 6.6 模型框架
• 6.7 應用實踐
• 6.8 本章小結
• 參考文獻
• 第7章 基于過去、現在和未來的對話情緒分析
• 7.1 任務與術語
• 7.2 常識知識庫
• 7.3 圖神經網絡
• 7.4 基于知識的情緒預測
• 7.5 對話上下文交互圖構建
• 7.6 模型框架
• 7.7 應用實踐
• 7.8 本章小結
• 參考文獻
• 第8章 基于平衡特征空間的不平衡情緒分析
• 8.1 情緒分析中的不平衡問題
• 8.2 基于重采樣的平衡策略
• 8.3 基于重權重化的平衡策略
• 8.4 基于數據增強的平衡策略
• 8.5 Focal損失函數
• 8.6 自我調整的Dice損失函數
• 8.7 中心損失函數
• 8.8 三元組中心損失函數
• 8.9 最大馬氏分布中心
• 8.10 特征空間平衡損失函數
• 8.11 應用實踐
• 8.12 本章小結
• 參考文獻
• 第四部分
• 第9章 基于語義-情緒知識的跨目標立場檢測
• 9.1 任務描述
• 9.2 立場檢測基礎模型
• 9.3 語義知識和情緒知識
• 9.4 模型框架
• 9.5 語義-情緒圖建模
• 9.6 知識增強的BiLSTM網絡
• 9.7 立場檢測分類器
• 9.8 模型應用
• 9.9 本章小結
• 參考文獻
• 第10章 基于元學習的跨領域立場檢測
• 10.1 元學習概念
• 10.2 有監督元學習
• 10.3 MAML算法
• 10.4 基于元學習的立場檢測模型
• 10.5 應用實踐
• 10.6 本章小結
• 參考文獻
• 第11章 知識增強的零樣本和小樣本立場檢測
• 11.1 任務與術語
• 11.2 概念知識圖
• 11.3 多關系圖神經網絡
• 11.4 基于多關系圖神經網絡的知識圖編碼
• 11.5 知識增強的立場檢測模型
• 11.6 應用實踐
• 11.7 本章小結
• 參考文獻
• 第五部分
• 第12章 面向情感分類的對抗攻擊
• 12.1 對抗樣本的概念
• 12.2 擾動控制
• 12.3 白盒攻擊與黑盒攻擊
• 12.4 目標攻擊與非目標攻擊
• 12.5 字符級對抗攻擊方法
• 12.6 詞語級對抗攻擊方法
• 12.7 句子級對抗攻擊方法
• 12.8 本章小結
• 參考文獻
• 第13章 基于前置檢測的情感分類防御
• 13.1 任務與術語
• 13.2 魯棒單詞識別模型
• 13.3 兩步拼寫校正模型
• 13.4 應用實踐
• 13.5 本章小結
• 參考文獻
• 第14章 基于數據優化的情感分類防御
• 14.1 任務與術語
• 14.2 數據增強方法
• 14.3 對抗訓練方法
• 14.4 錯別字魯棒編碼
• 14.5 同義詞編碼
• 14.6 本章小結
• 參考文獻
• 第15章 基于可驗證區域的情感分類防御
• 15.1 任務與術語
• 15.2 可驗證區域
• 15.3 基于多跳鄰居的擾動分布
• 15.4 最大化可驗證區域
• 15.5 可驗證區域的估計
• 15.6 應用實踐
• 15.7 實驗分析
• 15.8 本章小結
• 參考文獻
• 內容簡介
• 封底 更新時間：2023-08-28 18:19:05