- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
ComputerEngineeringandApplications计算机工程与应用2022,58(24)151
基于BG-DATT-CNN网络的方面级别情感分析
1,211
余本功,王惠灵,朱晓洁
1.合肥工业大学管理学院,合肥230009
2.合肥工业大学过程优化与智能决策教育部重点实验室,合肥230009
摘要:分析句子针对不同方面的情感极性,深入挖掘评论文本中的信息,为企业生产决策提供建议。针对传统方
法多考虑单一层面注意力信息,且基于RNN的模型忽略了局部特征的重要性,而基于CNN的模型不能捕捉长距离
依赖的信息的问题,提出了基于双重注意力机制的BG-DATT-CNN模型。在特征表示上,利用BERT对句子和方面
词分别进行词向量编码,获得文本的深层语义特征。在特征提取上,设计了双重注意力机制,通过计算两类权重获
得综合权重,强化文本的上下文相关特征和方面相关特征。在模型构建上,设计了BG-DATT-CNN网络,结合GRU
K
和CNN各自的优势,Bi-GRU层捕捉文本的上下文全局特征,CNN层包括-Max池化层和TextCNN层,通过两阶段
特征提取获取分类的关键信息。在SemEval2014数据集上的实验表明,与现有的其他模型相比,提出的模型取得
了较好的效果。
K
关键词:方面级别情感分类;双重注意力机制;Bi-GRU;-Max池化;TextCNN
文献标志码:A中图分类号:TP381doi:10.3778/j.issn.1002-8331.2105-0483
Aspect-LevelSentimentAnalysisBasedonBG-DATT-CNNNetwork
1,211
YUBengong,WANGHuiling,ZHUXiaojie
1.SchoolofManagement,HefeiUniversityofTechnology,Hefei230009,China
2.KeyLaboratoryofProcessOptimizationIntelligentDecision-Making(HefeiUniversity),MinistryofEducation,Hefei
230009,China
Abstract:Thispaperaimstoanalyzetheemotionalpolarityofsentencestowardsdifferentaspects,minetheinformation
inthecommentarytextdeeply,andprovidesuggestionsforenterprisestomakeproductiondecisions.Traditionalmethods
mostlyconsiderthesinglelevelofattentioninformationandtheRNN-basedmodelignorestheimportanceoflocalfea-
tureswhiletheCNN-basedmodelcannotcapturelong-distancedependentinformation.Tosolvetheaboveproblems,a
modelnamedBG-DATT-CNNbasedondualattentionmechanismisproposed.Intermsoffeaturerepresentation,BERT
isusedtoencodethesentenceandaspectrespectively,soastoobtainthedeepsemanticfeaturesofthetext.Intermsof
featureextr
文档评论(0)