针对现有的深度学习模型难以提取在线评论的丰富语义信息,从而难以准确提取文本情感的问题,提出了一种基于句法依存关系和注意力机制的多特征多重融合情感分类模型MF-SDAM(multi-feature multiple fusion sentiment classification mode...针对现有的深度学习模型难以提取在线评论的丰富语义信息,从而难以准确提取文本情感的问题,提出了一种基于句法依存关系和注意力机制的多特征多重融合情感分类模型MF-SDAM(multi-feature multiple fusion sentiment classification model based on syntactic dependency and attention mechanism)。该模型首先利用句法依存关系提取在线评论的属性-观点对信息,然后利用动态词嵌入模型BERT获取文本的动态特征向量表示;接着,基于双通道的特征提取策略,分别利用卷积神经网络(TextCNN)和融入注意力机制的双向长短期记忆网络(Att-BiLSTM)提取文本的局部和全局语义特征,为进一步提取特征的全局语义信息,将文本特征与Att-BiLSTM的输出特征进行拼接,并结合注意力机制对情感特征进行加权;最后,基于多融合方式互补的特征融合策略对局部语义特征和全局语义特征进行特征融合,减少关键信息丢失的问题。选取外卖、酒店领域的三个真实公开的在线评论数据集进行效果验证,实验结果表明,MF-SDAM针对在线评论情感分类任务的性能表现优异,其准确率和F_1值在大多数情况下都优于10个基准模型,且对于不平衡数据集具有较好的鲁棒性。展开更多
文摘针对现有的深度学习模型难以提取在线评论的丰富语义信息,从而难以准确提取文本情感的问题,提出了一种基于句法依存关系和注意力机制的多特征多重融合情感分类模型MF-SDAM(multi-feature multiple fusion sentiment classification model based on syntactic dependency and attention mechanism)。该模型首先利用句法依存关系提取在线评论的属性-观点对信息,然后利用动态词嵌入模型BERT获取文本的动态特征向量表示;接着,基于双通道的特征提取策略,分别利用卷积神经网络(TextCNN)和融入注意力机制的双向长短期记忆网络(Att-BiLSTM)提取文本的局部和全局语义特征,为进一步提取特征的全局语义信息,将文本特征与Att-BiLSTM的输出特征进行拼接,并结合注意力机制对情感特征进行加权;最后,基于多融合方式互补的特征融合策略对局部语义特征和全局语义特征进行特征融合,减少关键信息丢失的问题。选取外卖、酒店领域的三个真实公开的在线评论数据集进行效果验证,实验结果表明,MF-SDAM针对在线评论情感分类任务的性能表现优异,其准确率和F_1值在大多数情况下都优于10个基准模型,且对于不平衡数据集具有较好的鲁棒性。
