基于情感特征增强的中文隐式情感分类模型

隐式情感句子由于缺乏显式情感词并且其语义特征无法深入挖掘,导致现有模型进行情感分类时准确率不高。针对这一现状,提出一种基于情感特征增强的中文隐式情感分类模型(CISC),通过构建积极和消极情感词库,并将情感词进行位置嵌入得到情感特征增强的句子,进而提高分类准确率。对句子进行预处理得到对应的词语序列;通过自注意力机制的情感词检测方法进行句子情感词定位并分别嵌入积极和消极词,借助多层注意力网络得到对应的正向和负向的句子表示;分别将获取到的句子表示通过Bi-GRU模型和交互注意力机制(attention over attention,AOA)提取出对应的语义特征;将语义特征分别通过Softmax进行情感倾向概率计算,通过融入积极词的句子正向情感概率与融入消极词句子的负向情感概率进行均值计算并比较,得到最终的情感倾向。与EBA、GGBA等多种模型在SMP-ECISA2019公开数据集进行了比对实验,实验结果证明,提出的CISC模型可以提高中文隐式情感文本的分类效果。

融合反讽语言特征的反讽语句识别模型

反讽是采用内隐的形式来表达情感的一种方法,反讽语句在文字和所想表达的情感上存在着不同,这使得对反讽语句进行情感分类变得更加困难。针对这一现象,提出一种融合反讽语言特征的反讽语句识别模型,通过加入反讽语言特征来提高反讽语句的识别准确率。首先,采用卡方检验算法对反讽语言进行分析并获取语言特征;然后,利用Word2Vec对语言特征进行训练获取语言特征的特征表示,同时使用注意力机制与Bi-GRU(双向门控循环神经单元)模型获取句子的特征表示;最后,将语言特征的特征表示与句子的特征表示进行融合并作为情感分类层的输入,对反讽语句进行识别。与CNN-AT、CNN-Adv、EPSN等3种模型进行对比,实验结果表明,该模型可以有效提高对于反讽语句的识别准确率。

基于情感增强和语义依存的金融隐式情感分析模型

金融情感分析是一种判断金融文本的情感倾向性的技术,广泛应用于舆情分析和监管协调等方面。由于金融领域文本中包含隐式情感信息,难以根据情感特征直接判定情感极性。针对这一问题,提出一种基于情感增强和语义依存的金融隐式情感分析模型(FSED),以期提高分类的准确率。首先,采用FinBERT生成词向量,并输入到Bi-GRU提取上下文语义信息,通过嵌入积极和消极情感词向量构建两极注意力机制,用于分别提取2种语境下的情感特征向量;然后,根据文本的语义依存图建立依存关系和关系类型矩阵,结合2种矩阵和top-k策略构建选择注意力矩阵,再输入到图卷积网络来提取文本的语义依存特征;最后,融合情感增强和语义依存的特征,并使用平均池化和最大池化层对特征进行压缩,经全连接层和Softmax获得分类结果。实验结果表明,相较于A-GCN,FSED可以提升金融领域隐式情感分析的准确率。

融合Text-CNN与注意力机制的特产小吃评论情感分析

面向特产小吃评论数据的情感分析,旨在挖掘消费者对不同特产小吃的观点和看法,从而提高特产小吃产品的销量。针对当前特产小吃评论情感分析准确率较低的问题,本文构建了特产小吃评论数据集,并提出一种融合Text-CNN(Convolutional Naural Networks)与注意力机制的模型对其进行情感分析。首先,通过Text-CNN对文本局部特征信息进行提取;然后,将局部特征引入注意力机制单元中,完成对文本信息的特征提取。最后在Softmax分类器中输入提取的特征,进行情感分类。实验结果表明,提出的模型与Text-CNN、Bi-RNN+Attention、Char-CNN、LEAM四种模型进行对比,准确率有所提升。

融合双向切片LSTM与Attention的情感分类模型

针对BiLSTM-CRF训练速度较慢且无法区分句子中各个词在情感分类中重要性的问题,提出一种融合双向切片的LSTM与注意力机制的情感分类模型(BiS-LSTM-Attention)。首先,使用BERT对文本进行预训练,将训练后的文本进行切片处理,得到的文本切片作为模型的输入;然后,在Bi-LSTM层对文本特征进行提取,将特征输入Attention层进行注意力的加权计算,进一步在融合层将Attention层的输出特征向量拼接在输入分类层;最后,在分类层根据每个文本对应的特征向量进行计算来实现情感分类,将文本分为积极、消极或中性。与WEEF-BILSTM、W2V-Att-LSTM、BiLSTM-CRF 3种模型进行比对,实验结果表明,提出模型相较于比对模型能在保证运行速率的同时获得更高的分类准确度。