近年來隨著4G技術(shù)的大規(guī)模商用和移動互聯(lián)網(wǎng)的迅猛發(fā)展,社交媒體平臺每天產(chǎn)生海量用戶社交信息。為了及時了解人們的看法和情緒傾向,需要對用戶發(fā)表的觀點進(jìn)行文本情感分析�；谇楦性~典和機器學(xué)習(xí)為代表的傳統(tǒng)情感分析方法存在一些不足,如嚴(yán)重依賴情感詞典及人工維護(hù)文本特征。當(dāng)前,以CNN-LSTM為代表的深度學(xué)習(xí)模型彌補了傳統(tǒng)方法的缺陷,但在不同情感粒度單元的側(cè)重點不同,而忽視了整體情感判斷。本文提出了基于Multi-Channel CNN-LSTM的英文文本情感分析方法,具體創(chuàng)新點如下:1、目前使用廣泛的單通道CNN-LSTM在特殊語境下表現(xiàn)不佳,這是因為詞中所蘊涵的信息不足,某些字信息結(jié)合單詞信息可以更好地分析。本文將其改為多輸入通道,分為詞通道和字通道,使得能夠同時接受詞級別（word-level）向量和字級別（char-level）向量進(jìn)行分析,再將兩個通道輸出向量進(jìn)行融合,進(jìn)入全連接層和Softmax層進(jìn)行分類。此舉能解決依賴分詞質(zhì)量和不能有效處理序列數(shù)據(jù)的問題。經(jīng)過改進(jìn)后的模型與CNN-LSTM模型對比,能夠在Sentiment140數(shù)據(jù)集上將Accuracy指標(biāo)從0.81提升至0.8... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

Onehot矩陣圖示

圖 2-2 卷積圖示的特征矩陣 ，卷積核大小為 k×k，填充（padding）輸出矩陣大小為 N×N，那么有：21M p kNstep 入 5×5 的特征矩陣，使用 3×3 大小的卷積核進(jìn)行adding），那么輸出矩陣的維度 N=(5-3)/1+1=3，即 的矩陣。以圖中黑色矩形框選的部分為例，將框住，再將每一位相乘的結(jié)果相加，就是輸出矩陣對應(yīng)) ×5+0×4+1×2+(-1) ×3+0×4+1×5=0，所以輸出期記憶理論[41]最早由Hochreiter和Schmidhuber等人

圖 2-4 Attention 計算過程率分布的時候，由于對于輸入句子 X 中任意制的模型理論上表現(xiàn)更好，但也存在一定問低等問題，特別是訓(xùn)練樣本量非常大的時候語言處理與文本情感分析子領(lǐng)域里應(yīng)用比較技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)模型、LSTM 模型和 A背景、發(fā)展歷程、數(shù)學(xué)原理推導(dǎo)與證明、所模型或技術(shù)的細(xì)節(jié)、特點、優(yōu)勢和劣勢。并對包含字嵌入，是將單詞（字符）文本映射到


本文編號：3619107