对抗网络和BERT结合的电商平台评论短文本情感分类

文本情感分类领域性强,传统情感分类方法在多领域混合数据上效果不佳。为了提升多领域混合情境下文本情感分类的准确率,使用双向编码器表征模型(bidirectional encoder representations from transformers,BERT)得到短文本的初级表征;利用对抗网络提取与领域无关的情感特征;利用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)提取上下文特征;将提取到的两种特征进行融合,构成基于对抗网络和BERT的情感分类模型,提升情感分类准确率。在公开数据集上进行的对比实验表明:基于对抗网络和BERT的情感分类模型相比于基线模型具有更高的准确率,准确率在两个数据集上分别达到了95.25%和93.61%,并且在领域差别较大的数据集上有着更好的表现,初步验证了多领域混合情景下情感分类模型的有效性。提出的模型适用于电商平台对商品进行实时监测之类涉及多领域的场景。

基于并行混合网络的生鲜水果短文本情感分类

为了提升生鲜水果领域短文本情感分类的准确率,提出了一种并行混合网络的情感分类模型。针对食品领域出现较多的一词多义现象,采用双向编码器表征模型(bidirectional encoder representations from transformers,BERT)来提供词的向量化表示;针对生鲜食品评论特殊的结构,采用分段池化卷积神经网络(piecewise convolutional neural network,PCNN)与双向门控循环单元(bidirectional gated recurrent unit,BiGRU)并行的模型来对文本序列进行特征的提取,最终使用Sigmoid来进行情感分类。为保证实验的公允,在公开数据集上进行实验。结果表明,本文模型准确率达到了94.25%和85.88%。同时发现当PCNN选取合适的分段数之后,也能达到一个较好的效果,其准确率,召回率,F_(1)均高于复杂度更高的BiGRU模型。提出的模型在生鲜水果短文本的情感分类中表现良好,但是对于其他的生鲜食品表现未知。