基于EBAP模型的中文情感分类

针对中文情感分类的一词多义,以及完整语义信息表示问题,采用EBAP模型表示词向量,使用RCNN和Attention结合的方式提取文本特征,改善了模型捕获文本全局及局部语义特征和关键情感信息能力。

基于MC_E_ImprovDPC_B_SV模型的中文情感分类方法

为解决CNN和RNN无法同时兼顾局部和全局特征提取、传统情感分类模型不能充分利用原始评论文本中所蕴含的情感和语义信息、字词多义性调整、短文本语义稀疏等问题。提出一种基于ERNIE预训练模型和改进DPCNN的多通道的中文情感分类模型(MC_E_ImprovDPC_B_SV)来提高分类准确率,并实现准确分类。

网络环境下中文情感倾向的分类方法

论文从中英文语言差异的角度出发,针对语义倾向方法在中文应用中暴露出来的问题,提出了具体的应用于中文的改进算法。在实验中,运用基金测试文档进行实测以验证改进算法的有效性。实验表明,改进后语义倾向方法在应用于网络环境下中文文本情感倾向分类中具有理想的性能,并具有不需要大量训练样本、对领域知识有较弱的依赖性等特点,展示出良好的应用前景。

结合RNN和CNN层次化网络的中文文本情感分类

提出一种多层网络H-RNN-CNN,用于处理中文文本情感分类任务。将文本按句子进行划分,引入句子层作为中间层,以改善文本过长带来的信息丢失等问题。模型中使用循环神经网络建模词语序列和句子序列,并通过卷积神经网络识别跨语句的信息。探讨循环神经网络变种和不同输入向量对模型的影响。实验结果表明,所提方法在多类数据集上都取得良好的效果。

基于时序和上下文特征的中文隐式情感分类模型

对社交网络上的海量文本信息进行情感分析可以更好地挖掘网民行为规律,从而帮助决策机构了解舆情倾向以及帮助商家改善服务质量。由于不存在关键情感特征、表达载体形式和文化习俗等因素的影响,中文隐式情感分类任务比其他语言更加困难。已有的中文隐式情感分类方法以卷积神经网络(CNN)为主,这些方法存在着无法获取词语的时序信息和在隐式情感判别中未合理利用上下文情感特征的缺陷。为了解决以上问题,采用门控卷积神经网络(GCNN)提取隐式情感句的局部重要信息,采用门控循环单元(GRU)网络增强特征的时序信息;而在隐式情感句的上下文特征处理上,采用双向门控循环单元(BiGRU)+注意力机制(Attention)的组合提取重要情感特征;在获得两种特征后,通过融合层将上下文重要特征融入到隐式情感判别中;最后得到的融合时序和上下文特征的中文隐式情感分类模型被命名为GGBA。在隐式情感分析评测数据集上进行实验,结果表明所提出的GGBA模型在宏平均准确率上比普通的文本CNN即TextCNN提高了3.72%、比GRU提高了2.57%、比中断循环神经网络(DRNN)提高了1.90%,由此可见,GGBA模型在隐式情感分析任务中比基础模型获得了更好的分类性能。

改进BERT的中文评论情感分类模型

为了改善现有基于深度学习网络的中文评论情感分类方法,同时提高中文评论情感分类的正确率和效率,基于Tensorflow框架,对传统BERT模型进行改进,以Nlpcc2013和Nlpcc2014公开的微博评论数据集为实验数据,分别从两个数据集中清洗抽取出3 949条和14 163条情感极性明显的评论,将数据输入改进后的RoBERTa模型中,提取语义后利用Sigmoid函数进行情感正负极性分类。实验结果表明,该模型的算法准确率、精确率、召回率和F1值较高,在Nlpcc2013数据集上分别达87.85%、88.36%和89.67%,比传统的BERT模型在各项数据上分别提高了1.52%、0.47%、2.58%、1.52%;在Nlpcc2014数据集上各项指标比BERT模型分别提高了1.30%、0.54%、2.32%、1.44%。研究表明,该模型在中文评论情感分类处理上表现优异,相较以往的深度学习网络模型效果更好。

PSO-GP中文文本情感分类方法研究

中文文本的情感倾向分析是网络舆情信息挖掘和分析的关键技术之一。提出了一种粒子群-高斯过程算法(PSO-GP)的中文文本情感倾向分类方法,采用粒子群优化算法(Particle Swarm optimization,PSO)进行高斯过程(Gaussian Process)超参数的最优搜索,解决了传统高斯过程中共轭梯度法迭代次数难确定、对初值依赖性强和易陷入局部极小值等问题。首先采用多线程网络爬虫技术采集文本数据组成语料库,构建特定领域情感词典,然后通过情感词匹配选择最有效的特征,降低数据维度,并利用TF-IDF算法计算特征词的权重以生成特征向量。最终,将测试样本输入PSO-GP分类模型。实验结果表明,与传统GP方法相比,提出的改进高斯过程分类模型的分类准确率提高了近15%。

基于汉语特征的中文对抗样本生成方法

深度神经网络容易受到来自对抗样本的攻击,例如在文本分类任务中修改原始文本中的少量字、词、标点符号即可改变模型分类结果.目前NLP领域对中文对抗样本的研究较少且未充分结合汉语的语言特征.从中文情感分类场景入手,结合了汉语象形、表音等语言特征,提出一种字词级别的高质量的对抗样本生成方法CWordCheater,涵盖字音、字形、标点符号等多个角度.针对形近字的替换方式,引入ConvAE网络完成汉字视觉向量的嵌入,进而生成形近字替换候选池.同时提出一种基于USE编码距离的语义约束方法避免对抗样本的语义偏移问题.构建一套多维度的对抗样本评估方法,从攻击效果和攻击代价两方面评估对抗样本的质量.实验结果表明,CWordAttacker在多个分类模型和多个数据集上能使分类准确率至少下降27.9%,同时拥有更小的基于视觉和语义的扰动代价.

基于双向循环神经网络的游客目的地印象分析算法及应用

文本情感分析已成为智慧旅游中一项关键技术。为了提升景区及酒店等旅游目的地美誉度及其相关竞争力,如何从海量的用户评论中获取相关数据,并从中整理出具有价值的信息,将其运用到智慧旅行的构建中,成为文旅主管部门和旅游相关企业非常重视的工作。文章基于数据挖掘技术对相关景区和酒店评论进行内在信息的挖掘与分析,研究基于双向循环神经网络的游客目的地印象分析算法及应用。首先,对获得的评论数据集利用Python的Pandas库、正则表达式进行数据预处理;其次,利用中文分词组件jieba对数据进行分词与停用词过滤操作,保证模型构建的准确性;最后,通过构建中文词向量模型拟合双向LSTM回归模型,分别对每个景区和酒店进行评分,采用了基于BRNN的中文情感倾向分类模型,分别对每条评论进行情感正负面分类;基于最终得出的有效评论,并且采用TFIDF算法,分别对总得分各个层次的景点和酒店的评论进行关键词提取,并保存为词云图,以便更加直观地分析。阐述了基于双向循环神经网络的游客目的地印象分析算法过程及应用。