传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,通过融合情感词典的特征提取方法优化特...传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,通过融合情感词典的特征提取方法优化特征词的权重;其次,利用卷积神经网络(convolutional neural network, CNN)提取局部特征,利用双向长短时记忆网络(bidirectional long and short-term memory, BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明:所提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、长短时记忆网络(long and short-term memory, LSTM)、CNN和随机森林模型,所提方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明所提方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。所提方法具有一定的学术价值和应用前景。展开更多
文摘传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,通过融合情感词典的特征提取方法优化特征词的权重;其次,利用卷积神经网络(convolutional neural network, CNN)提取局部特征,利用双向长短时记忆网络(bidirectional long and short-term memory, BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明:所提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、长短时记忆网络(long and short-term memory, LSTM)、CNN和随机森林模型,所提方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明所提方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。所提方法具有一定的学术价值和应用前景。
