生成式短文情感摘要的研究与实现 随着信息科学和互联网技术的飞速发展,不同话题不同种类的信息充斥在人们的生活当中。人们对信息的获取更加方便快捷,但是与此同时网络中存在的大量重复、嘈杂的信息也在一定程度上影响了人们获取有效信息的效率。因此人们急需一种能有效过滤嘈杂信息,并对有用信息进行简化凝练的方法。与此同时,随着社交网络新闻评论等新兴媒体的蓬勃发展,把握大众对热点事件的情感倾向是大势所趋,因此针对短文本情感摘要的研究应运而生。本论文将短文本情感摘要作为研究对象,在传统语义信息中加入情感信息,以期提高文摘的质量和情感表达的准确度。经过深入的调研和分析,我们将研究重心放在探索生成式摘要模型结构、情感特征和语义特征融合算法以及序列到序列模型优化创新三个方面。本文提出并实现了两个情感摘要模型,分别为融合情感特征的序列到序列摘要模型以及多视角生成式摘要模型,针对摘要生成技术特征选取角度单一、传统序列到序列模型相对固化较难优化以及记忆网络在情感传递准确性上的不足进行了深入分析和改进,之后在卫报数据集上进行了多个层面的实验分析,主要包括不同网络结构、参数和记忆单元对生成式摘要模型的影响以及情感融合算法对摘要模型的影响。实验结果显示以上三点创新能够有效将情感属性融入自动摘要技术中,所生成的情感摘要在文摘质量和情感表达上均有所提升,进一步验证了本文提出的短文本生式情感摘要模型的有效性。除此之外,我们还将生成式摘要模型同抽取式摘要模型进行了实验对比,结果表明生成式摘要在最终文摘的质量上同传统抽取式摘要技术还有一定差距,距离真正面向应用也需要更加深入的研究和改进。 本文来源：https://www.wddqw.com/doc/b6c9554d4128915f804d2b160b4e767f5bcf80d2.html