多元特征融合的GRU神经网络文本情感分类模型

传统机器学习文本情感分类算法文本表示维度高、语义丢失、矩阵稀疏、分类模型浅,导致算法泛化能力弱;基于深度学习的文本情感分类算法推崇数据驱动,忽略了对情感已有的先验知识,算法需要大量的训练数据才能获得较好效果.针对这一现象,提出基于词嵌入特征、词情感特征、词权重特征融合的GRU神经网络文本情感分类模型(TMMG):该模型通过Word2vec模型得出低维稠密且包含语义信息的词嵌入特征;根据文本情感表达特点,构造包含六种情感要素的情感字典,依据情感要素字典定量表示情感特征;使用TF-IDF计算词语的权重特征;将前面3类特征融合构造词语融合特征表示,并将文本转换成融合特征序列数据;利用GRU神经网络处理序列化数据的优势,构建情感分类模型TMMG.实验结果发现该模型TMMG相比传统机器学习具有更好的泛化能力,相比其他深度学习算法在较少训练数据量时也能获得较好的分类效果.