期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于cw2vec与CNN-BiLSTM注意力模型的中文微博情感分类 被引量：3
1
作者 卢昱波 刘德润 +3 位作者 蔡奕超 杨庆雨 陈伟 刘太安 《软件导刊》 2021年第3期51-56,共6页
为改善中文微博领域现有中文分词不准确且微博文本不规范问题,提出将cw2vec和CNN-BiLSTM注意力相结合的混合深度学习模型方法进行中文微博情感分类。首先使用cw2vec进行中文词向量训练,转换为相应的向量作为分类模型输入,然后利用CNN提... 为改善中文微博领域现有中文分词不准确且微博文本不规范问题,提出将cw2vec和CNN-BiLSTM注意力相结合的混合深度学习模型方法进行中文微博情感分类。首先使用cw2vec进行中文词向量训练,转换为相应的向量作为分类模型输入,然后利用CNN提取局部特征,采用BiLSTM提取上下文特征进行深度学习,最后增加注意力模型获取重要特征,并使用Softmax函数进行分类。实验结果表明,使用cw2vec模型训练中文微博词时,准确率达到88.72%,使用cw2vec和CNN-BiLSTM注意力混合深度学习模型的精确率、召回率和F1值比单一深度学习模型分别提升1.88%、3.56%和2.72%,证明cw2vec和CNN-BiLSTM注意力混合深度学习模型结合方法在中文微博情感分类任务中的有效性。 展开更多
关键词 情感分类 中文微博 cw2vec CNN-BiLSTM 注意力机制
在线阅读 下载PDF
基于cw2vec与BiLSTM的中文商品评论情感分类
2
作者 高统超 张云华 《软件导刊》 2020年第4期79-83,共5页
针对方面级情感分类算法在中文领域商品评论中性能不佳的问题,从实际应用场景出发,基于cw2vec模型并结合BiLSTM模型,进行中文商品评论方面级情感分类。通过对数据进行预处理,训练中文词向量,提取评论语句文字笔画信息特征;然后对评论语... 针对方面级情感分类算法在中文领域商品评论中性能不佳的问题,从实际应用场景出发,基于cw2vec模型并结合BiLSTM模型,进行中文商品评论方面级情感分类。通过对数据进行预处理,训练中文词向量,提取评论语句文字笔画信息特征;然后对评论语料构建基于注意力机制的BiLSTM模型进行情感分类,计算注意力向量权重,利用双向网络结构特点捕捉语义依赖信息。实验结果表明,当训练语料分布合理时,该方法准确率达到83.2%,比Skip-gram模型提高了3.3%。该方法在中文方面级情感分类任务上能获取中文语义信息,分类效果更好,有效提高了分类准确率。 展开更多
关键词 情感分类 cw2vec模型 BiLSTM模型 注意力机制
在线阅读 下载PDF
采用稀疏自注意力机制和BiLSTM模型的细粒度情感分析 被引量：3
3
作者 曹卫东 潘红坤 《计算机应用与软件》 北大核心 2022年第12期187-194,共8页
使用Word2vec训练词向量、循环神经网络和注意力机制进行情感分析时,存在着文本特征提取不全面、计算资源消耗过多、计算时间较长的问题。为解决这些问题,提出新的CBSA网络模型。该模型使用Cw2vec预训练的词向量作为输入,双向长短期记... 使用Word2vec训练词向量、循环神经网络和注意力机制进行情感分析时,存在着文本特征提取不全面、计算资源消耗过多、计算时间较长的问题。为解决这些问题,提出新的CBSA网络模型。该模型使用Cw2vec预训练的词向量作为输入,双向长短期记忆网络(BiLSTM)来对这些具有时序信息的文本进行全面特征的提取;使用分解后的稀疏自注意力机制(Sparse Self-Attention)再次对这些文本特征进行权重赋予;由Softmax对文本进行情感的分类。实验结果表明,使用Cw2vec训练的词向量相比Word2vec, F1-Score大约提高0.3%;CBSA模型相比未分解的自注意力机制(Self-Attention),内存消耗减少了大约200 MB,训练时间缩短了210 s。 展开更多
关键词 cw2vec 细粒度情感分析 循环神经网络 双向长短期记忆网络 稀疏自注意力机制
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部