隨著互聯(lián)網(wǎng)規(guī)模的迅速發(fā)展,對海量的文本數(shù)據(jù)的有效處理已經成為當今社會亟待解決的任務,文本分類、情感分析等自然語言處理任務應運而生。本文致力于更有效地使用深度學習模型處理情感分析問題,通過對現(xiàn)有的經典神經網(wǎng)絡模型進行改進,使其能夠在情感分析問題上取得更好的效果。1.針對LSTM-CNN網(wǎng)絡模型接收句子輸入訓練時間長、處理較長文本時效率低下問題,提出了一種基于跳轉的LSTM-CNN模型。首先,新的模型在讀取文本序列時進行跳轉判斷,即在每一步中,利用兩層感知機從前向序列、后向序列和當前單詞中提取信息,確定是否跳過當前單詞。然后,利用長短時記憶網(wǎng)絡（Long Short-Term Memory,LSTM）分析跳轉后的序列語義以及提取其特征,在卷積神經網(wǎng)絡（Convolutional Neural Networks,CNN）模型中進一步提取局部特征。最后,合并到較小的維度,并通過softmax分類器以正或負標簽輸出。相比LSTM-CNN的模型,實驗結果驗證了改進后的模型能夠有效地提高分類效率和準確率。2.將LSTM網(wǎng)絡和注意力機制相結合的方法能夠有效地提取方面級情感分析的文本特征,但僅僅依賴注意... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

不同維度的詞向量的情感分析準確率


本文編號：2969839