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;...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。展开更多
文摘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。
