基于卷积神经网络模型的互联网短文本情感分类

情感分类旨在发现用户对热点事件的观点态度,但由于现今互联网短文本格式随意,语言规范性不够,所以目前传统方法的情感分类效果并不理想。面向大数据互联网短文本信息,本文提出一种基于深度卷积神经网络(Convolutional Neural Networks,CNNs)模型的互联网短文本分类。首先选择词向量作为原始特征,然后通过卷积神经网络进一步提取特征,最后训练出基于深度卷积神经网络的互联网短文本情感分类模型。实验结果表明,该模型不仅可以有效处理互联网短文本中的情感分类这一任务,而且明显提高了情感分类的准确率,平均提高约5%。

基于循环神经网络的互联网短文本情感要素抽取

针对大数据互联网短文本信息,比较几种深度循环神经网络(Recurrent Neural Networks,RNN)模型,提出了一种基于双向长短时记忆(Bidirectional Long Short-Term Memory,BLSTM)的循环神经网络模型的互联网短文本情感要素抽取方法。实验结果表明,该方法不仅可以有效完成互联网短文本中情感要素抽取工作,而且明显提高了抽取准确率。

基于LSTM特征模板的短文本情感要素分析与研究

互联网短文本语言自由、灵活且缺乏规范性、要素错综复杂,使得传统的文本序列标注对情感要素抽取效果并不理想。针对此特点,文中提出一种基于长短时间记忆网络模型的互联网短文本情感要素抽取方法。主要利用长短时间记忆网络模型构建面向互联网短文本情感要素抽取任务的encode-decoder序列标注框架模型,并以此为基础融入3元窗口情感特征选择,在COAE2014测评数据集上实验。实验结果表明,该模型通过情感特征注入情感要素抽取准确率达70. 7%,利用浅层机器学习模型分析情感倾向性也取得了较好的效果。