基于双通道门控复合网络的中文产品评论情感分析

情感分析任务旨在理解和分类实体及其属性所表达的情感极性。在对中文文本进行分类时,现有的方法大多输入特征表示单一,导致模型不能充分学习语义信息。针对上述问题,提出了一种采用双通道门控复合网络的模型DGCN,将词向量和字向量作为双通道的输入,弥补了词向量由于分词不准确等问题造成的缺陷并丰富了语义信息;同时,使用门控机制改进了通道的结合方式,让字向量更好地辅助词向量学习文本的特征信息;在每个通道上都使用双向门限循环网络和卷积神经网络构成的复合网络,让二者优势互补,并添加Attention机制关注更有效的特征。实验结果表明,在中文产品评论情感分析方面,模型DGCN的准确率和F1值优于对照组的,且有良好的应用能力。

CNN-BiGRU网络中引入注意力机制的中文文本情感分析

传统卷积神经网络(CNN)中同层神经元之间信息不能互传,无法充分利用同一层次上的特征信息,缺乏句子体系特征的表示,从而限制了模型的特征学习能力,影响文本分类效果。针对这个问题,提出基于CNN-BiGRU联合网络引入注意力机制的模型,采用CNN-BiGRU联合网络进行特征学习。首先利用CNN提取深层次短语特征,然后利用双向门限循环神经网络(BiGRU)进行序列化信息学习以得到句子体系的特征和加强CNN池化层特征的联系,最后通过增加注意力机制对隐藏状态加权计算以完成有效特征筛选。在数据集上进行的多组对比实验结果表明,该方法取得了91.93%的F1值,有效地提高了文本分类的准确率,时间代价小,具有很好的应用能力。

基于字符级双通道复合网络的中文文本情感分析

针对传统卷积神经网络(CNN)缺乏句子体系特征的表示,以及传统双向门限循环神经网络(BiGRU)缺乏提取深层次特征能力。以中文文本为研究对象,在字符级词向量的基础上提出双通道的CNN-BiGRU复合网络,同时引入注意力机制的模型进行情感分析。首先,在单通道上利用CNN提取深层次短语特征,利用BiGRU提取全局特征的能力深度学习短语体系特征,从而得到句子体系的特征表示;再通过增加注意力层进行有效特征筛选;最后,采用双通道结构的复合网络,丰富了特征信息,加强了模型的特征学习能力。在数据集上进行多组对比实验,该方法取得了92.73%的F1值结果,优于对照组,说明提出的模型能有效地提高文本分类的准确率。同时在单句测试上量化出模型优势,且实现了模型的实际应用能力。

基于SOM聚类和二次分解的BiGRU超短期光伏功率预测

提出一种基于自组织映射网络(SOM)聚类和二次分解的双向门限循环网络(BiGRU)超短期光伏功率预测方法。首先利用SOM聚类方法将输入数据进行天气分型聚类,以应对不同天气状态对光伏功率输出特性的影响;然后采用奇异谱分析和变分模态分解相结合的二次分解方法进行原始信号分解,减少信号的波动性,降低光伏数据特征映射的复杂度;最后将分解后的信号作为输入,采用BiGRU网络进行时序信息建模,有效结合不同时刻的信号特征,进一步提升功率预测的准确率。与其他几种经典方法相比,该文方法有效提升光伏功率预测的效果。

基于多头自注意力和并行混合模型的文本情感分析

针对以往研究大多使用单一模型进行文本情感分析,导致无法很好地捕捉相关文本的情感特征,从而造成情感分析效果不理想的问题,提出一种基于多头自注意力和并行混合模型的文本情感分析方法。首先,利用Word2vec模型捕捉单词的语义特征,训练词向量;其次,借助双层多头自注意力机制(double layer multi-head self-attention,DLMA)学习文本内部的词依赖关系,捕获其内部结构特征;再次,使用并行的双向门限循环神经网络(bi-directional gated recurrent nnit,BiGRU)获取文本的序列特征;最后,借助改进的并行卷积神经网络(convolutional neural network,CNN)提取深层次特征信息。将该模型分别在2个数据集上进行实验验证,其准确率分别达到92.71%和91.08%。结果表明,该方法比其他模型具有更好的学习能力。