針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)的情感分類方法存在長(zhǎng)距離依賴問(wèn)題與深度學(xué)習(xí)存在忽略情感詞庫(kù)的弊端,提出了一種基于注意力機(jī)制與雙向長(zhǎng)短記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的維吾爾文情感分類方法。將多特征拼接向量作為雙向長(zhǎng)短記憶網(wǎng)絡(luò)的輸入來(lái)捕獲文本上下文信息,使用注意力機(jī)制和卷積網(wǎng)絡(luò)獲取文本隱藏情感特征信息,有效增強(qiáng)了對(duì)文本情感語(yǔ)義的捕獲能力。實(shí)驗(yàn)結(jié)果表明,該方法在二分類和五分類情感數(shù)據(jù)集上的F1值相比于機(jī)器學(xué)習(xí)方法分別提高了5. 59%和7. 73%。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用研究. 2020,37(05)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 引言
1 相關(guān)工作
    1.1 注意力機(jī)制
    1.2 神經(jīng)網(wǎng)絡(luò)
2 方法
    2.1 詞向量表示層
        2.1.1 詞向量
        2.1.2 詞性向量
        2.1.3 音節(jié)向量
        2.1.4 情感詞位置向量
    2.2 Bi LSTM網(wǎng)絡(luò)層
        2.2.1 長(zhǎng)短期記憶單元LSTM
        2.2.2 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)
    2.3 注意力層
    2.4 CNN層
    2.5 情感計(jì)算層
    2.6 模型訓(xùn)練
3 實(shí)驗(yàn)準(zhǔn)備
    3.1 情感詞庫(kù)的構(gòu)建
    3.2 情感分析數(shù)據(jù)集
    3.3 評(píng)價(jià)指標(biāo)
    3.4 數(shù)據(jù)預(yù)處理
    3.5 實(shí)驗(yàn)參數(shù)設(shè)置
    3.6 實(shí)驗(yàn)對(duì)比模型
4 實(shí)驗(yàn)結(jié)果及分析
    4.1 神經(jīng)網(wǎng)絡(luò)方法與基準(zhǔn)方法對(duì)比實(shí)驗(yàn)
    4.2 多特征對(duì)情感分類的影響
    4.3 網(wǎng)絡(luò)參數(shù)對(duì)情感分類的影響
5 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]文本情感傾向性分析方法:bfsmPMI-SVM[J]. 劉金碩,李哲,葉馨,陳嘉敏,鄧娟.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2017(03)
[2]Study of Sentiment Classification for Chinese Microblog Based on Recurrent Neural Network[J]. ZHANG Yangsen,JIANG Yuru,TONG Yixuan.  Chinese Journal of Electronics. 2016(04)
[3]文本情感分析[J]. 趙妍妍,秦兵,劉挺.  軟件學(xué)報(bào). 2010(08)



本文編號(hào)：3002682