基于自注意力的双向LSTM网络的情感分析模型

Emotion Analysis Model with Self-attention Based on Bidirectional LSTM Neural Network

如今,社交媒体中的用户评论经常涉及到对目标对象的多个属性不同的情感倾向。这种多维度的用户情感对文本情感分析任务构成了巨大的挑战。然而,先前的研究很大程度上侧重于依赖外部信息,不擅长捕捉数据或特征的内部相关性。因此,提出了一种新颖的基于自注意力机制的双向LSTM网络的情感分析模型。使用双向LSTM神经网络学习抽象的文本语义表征,接着通过自注意力机制对文本语义表征的内部特征进行建模,对内部特征赋予不同权重,让模型更加有效地捕获数据的内部相关性。与多个基准模型进行了对比实验,在准确率、精确率、召回率及F1值等评估指标上取得了当前最优的表现。

representation of text sequences.Then,this type of internal characteristics in a text sequence was modeled through self-attention mechanism,making more effectively capturing internal correlations possible.Compared with several baselines,experimental results show that the model obtains state-of-the-art performance on accuracy,precision,recall and F1-score.