期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于BG-DATT-CNN网络的方面级别情感分析
被引量:
2
1
作者
余本功
王惠灵
朱晓洁
《计算机工程与应用》
CSCD
北大核心
2022年第24期151-157,共7页
分析句子针对不同方面的情感极性,深入挖掘评论文本中的信息,为企业生产决策提供建议。针对传统方法多考虑单一层面注意力信息,且基于RNN的模型忽略了局部特征的重要性,而基于CNN的模型不能捕捉长距离依赖的信息的问题,提出了基于双重...
分析句子针对不同方面的情感极性,深入挖掘评论文本中的信息,为企业生产决策提供建议。针对传统方法多考虑单一层面注意力信息,且基于RNN的模型忽略了局部特征的重要性,而基于CNN的模型不能捕捉长距离依赖的信息的问题,提出了基于双重注意力机制的BG-DATT-CNN模型。在特征表示上,利用BERT对句子和方面词分别进行词向量编码,获得文本的深层语义特征。在特征提取上,设计了双重注意力机制,通过计算两类权重获得综合权重,强化文本的上下文相关特征和方面相关特征。在模型构建上,设计了BG-DATT-CNN网络,结合GRU和CNN各自的优势,Bi-GRU层捕捉文本的上下文全局特征,CNN层包括K-Max池化层和TextCNN层,通过两阶段特征提取获取分类的关键信息。在SemEval 2014数据集上的实验表明,与现有的其他模型相比,提出的模型取得了较好的效果。
展开更多
关键词
方面级别情感分类
双重注意力机制
Bi-GRU
k-max池化
TextCNN
下载PDF
职称材料
基于BiLSTM-Attention-CNN混合神经网络的文本分类方法
被引量:
20
2
作者
万齐斌
董方敏
孙水发
《计算机应用与软件》
北大核心
2020年第9期94-98,201,共6页
BiLSTM和CNN网络在文本分类领域取得了较好的应用效果,二者的结合可以充分发挥CNN的特征提取能力和BiLSTM的上下文依赖能力,但是没有体现出每个词语在文本中的重要程度,无法将注意力集中在重要的词上。针对该问题,提出一种基于BiLSTM-At...
BiLSTM和CNN网络在文本分类领域取得了较好的应用效果,二者的结合可以充分发挥CNN的特征提取能力和BiLSTM的上下文依赖能力,但是没有体现出每个词语在文本中的重要程度,无法将注意力集中在重要的词上。针对该问题,提出一种基于BiLSTM-Attention-CNN混合神经网络的文本分类方法。在BiLSTM层之后加入注意力机制(Attention)提取输出信息的注意力分值;注意力层之后,连接k-max池化层,提取前k个重要的词,增强模型特征的表达能力。在DBPedia和AGNews数据集上进行实验,结果表明,该模型相较于其他现有网络模型,分类准确率提高1~2个百分点。
展开更多
关键词
文本分类
BiLSTM
注意力机制
k-max池化
CNN
下载PDF
职称材料
基于依存关系与神经网络的文本匹配模型
被引量:
3
3
作者
甄卓
陈玉泉
《计算机工程》
CAS
CSCD
北大核心
2019年第8期210-216,223,共8页
为增强文本匹配模型的文本语义捕捉能力并提高语义匹配准确度,提出一种基于词嵌入与依存关系的文本匹配模型。构建融合词语义和词间依存关系的语义表示,通过余弦均值卷积和K-Max池化操作获得描述两段文本各部分语义匹配程度的矩阵,并采...
为增强文本匹配模型的文本语义捕捉能力并提高语义匹配准确度,提出一种基于词嵌入与依存关系的文本匹配模型。构建融合词语义和词间依存关系的语义表示,通过余弦均值卷积和K-Max池化操作获得描述两段文本各部分语义匹配程度的矩阵,并采用长短期记忆网络学习匹配程度矩阵与真实匹配程度之间的映射关系。实验结果表明,该模型的F1值为0.927 4,相比BM25及深度文本匹配模型准确度更高。
展开更多
关键词
文本匹配
语义匹配
依存关系
词嵌入
余弦均值卷积
k-max池化
长短期记忆网络
下载PDF
职称材料
基于双通道卷积神经网络的文本情感分类算法
被引量:
15
4
作者
申昌
冀俊忠
《模式识别与人工智能》
EI
CSCD
北大核心
2018年第2期158-166,共9页
针对现有深度学习方法在文本情感分类任务中特征提取能力方面的不足,提出基于扩展特征和动态池化的双通道卷积神经网络的文本情感分类算法.首先,结合情感词、词性、程度副词、否定词和标点符号等多种影响文本情感倾向的词语特征,形成一...
针对现有深度学习方法在文本情感分类任务中特征提取能力方面的不足,提出基于扩展特征和动态池化的双通道卷积神经网络的文本情感分类算法.首先,结合情感词、词性、程度副词、否定词和标点符号等多种影响文本情感倾向的词语特征,形成一个扩展文本特征.然后,把词向量特征与扩展文本特征分别作为卷积神经网络的两个输入通道,采用动态k-max池化策略,提升模型提取特征的能力.在多个标准英文数据集上的文本情感分类实验表明,文中算法的分类性能不仅高于单通道卷积神经网络算法,而且相比一些代表性算法也具有一定的优势.
展开更多
关键词
文本情感分类
卷积神经网络
双通道
扩展特征
动态
k-max池化
下载PDF
职称材料
题名
基于BG-DATT-CNN网络的方面级别情感分析
被引量:
2
1
作者
余本功
王惠灵
朱晓洁
机构
合肥工业大学管理学院
合肥工业大学过程优化与智能决策教育部重点实验室
出处
《计算机工程与应用》
CSCD
北大核心
2022年第24期151-157,共7页
基金
国家自然科学基金(71671057)。
文摘
分析句子针对不同方面的情感极性,深入挖掘评论文本中的信息,为企业生产决策提供建议。针对传统方法多考虑单一层面注意力信息,且基于RNN的模型忽略了局部特征的重要性,而基于CNN的模型不能捕捉长距离依赖的信息的问题,提出了基于双重注意力机制的BG-DATT-CNN模型。在特征表示上,利用BERT对句子和方面词分别进行词向量编码,获得文本的深层语义特征。在特征提取上,设计了双重注意力机制,通过计算两类权重获得综合权重,强化文本的上下文相关特征和方面相关特征。在模型构建上,设计了BG-DATT-CNN网络,结合GRU和CNN各自的优势,Bi-GRU层捕捉文本的上下文全局特征,CNN层包括K-Max池化层和TextCNN层,通过两阶段特征提取获取分类的关键信息。在SemEval 2014数据集上的实验表明,与现有的其他模型相比,提出的模型取得了较好的效果。
关键词
方面级别情感分类
双重注意力机制
Bi-GRU
k-max池化
TextCNN
Keywords
aspect-level sentiment analysis(ALSA)
attention machanism
Bi-GRU
k-max
pooling
TextCNN
分类号
TP381 [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
基于BiLSTM-Attention-CNN混合神经网络的文本分类方法
被引量:
20
2
作者
万齐斌
董方敏
孙水发
机构
三峡大学计算机与信息学院
出处
《计算机应用与软件》
北大核心
2020年第9期94-98,201,共6页
基金
NSFC-新疆联合基金重点项目(U1703261)。
文摘
BiLSTM和CNN网络在文本分类领域取得了较好的应用效果,二者的结合可以充分发挥CNN的特征提取能力和BiLSTM的上下文依赖能力,但是没有体现出每个词语在文本中的重要程度,无法将注意力集中在重要的词上。针对该问题,提出一种基于BiLSTM-Attention-CNN混合神经网络的文本分类方法。在BiLSTM层之后加入注意力机制(Attention)提取输出信息的注意力分值;注意力层之后,连接k-max池化层,提取前k个重要的词,增强模型特征的表达能力。在DBPedia和AGNews数据集上进行实验,结果表明,该模型相较于其他现有网络模型,分类准确率提高1~2个百分点。
关键词
文本分类
BiLSTM
注意力机制
k-max池化
CNN
Keywords
Text classification
BiLSTM
Attention mechanism
k-max
pooling
CNN
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于依存关系与神经网络的文本匹配模型
被引量:
3
3
作者
甄卓
陈玉泉
机构
上海交通大学计算机科学与工程系
出处
《计算机工程》
CAS
CSCD
北大核心
2019年第8期210-216,223,共8页
基金
国家自然科学基金(61673266)
文摘
为增强文本匹配模型的文本语义捕捉能力并提高语义匹配准确度,提出一种基于词嵌入与依存关系的文本匹配模型。构建融合词语义和词间依存关系的语义表示,通过余弦均值卷积和K-Max池化操作获得描述两段文本各部分语义匹配程度的矩阵,并采用长短期记忆网络学习匹配程度矩阵与真实匹配程度之间的映射关系。实验结果表明,该模型的F1值为0.927 4,相比BM25及深度文本匹配模型准确度更高。
关键词
文本匹配
语义匹配
依存关系
词嵌入
余弦均值卷积
k-max池化
长短期记忆网络
Keywords
text matching
semantic matching
dependency relation
word embedding
cosine mean convolution
k-max
pooling
Long-Short Term Memory(LSTM) network
分类号
TP39 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于双通道卷积神经网络的文本情感分类算法
被引量:
15
4
作者
申昌
冀俊忠
机构
北京工业大学信息学部多媒体与智能软件技术北京市重点实验室
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2018年第2期158-166,共9页
基金
国家自然科学基金项目(No.61672065
61375059)资助~~
文摘
针对现有深度学习方法在文本情感分类任务中特征提取能力方面的不足,提出基于扩展特征和动态池化的双通道卷积神经网络的文本情感分类算法.首先,结合情感词、词性、程度副词、否定词和标点符号等多种影响文本情感倾向的词语特征,形成一个扩展文本特征.然后,把词向量特征与扩展文本特征分别作为卷积神经网络的两个输入通道,采用动态k-max池化策略,提升模型提取特征的能力.在多个标准英文数据集上的文本情感分类实验表明,文中算法的分类性能不仅高于单通道卷积神经网络算法,而且相比一些代表性算法也具有一定的优势.
关键词
文本情感分类
卷积神经网络
双通道
扩展特征
动态
k-max池化
Keywords
Text Sentiment Classification, Convolutional Neural Network, Double Channel, ExtendedFeature, Dynamic
k-max
Pooling
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于BG-DATT-CNN网络的方面级别情感分析
余本功
王惠灵
朱晓洁
《计算机工程与应用》
CSCD
北大核心
2022
2
下载PDF
职称材料
2
基于BiLSTM-Attention-CNN混合神经网络的文本分类方法
万齐斌
董方敏
孙水发
《计算机应用与软件》
北大核心
2020
20
下载PDF
职称材料
3
基于依存关系与神经网络的文本匹配模型
甄卓
陈玉泉
《计算机工程》
CAS
CSCD
北大核心
2019
3
下载PDF
职称材料
4
基于双通道卷积神经网络的文本情感分类算法
申昌
冀俊忠
《模式识别与人工智能》
EI
CSCD
北大核心
2018
15
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部