Word2vec-CNN-Bilstm短文本情感分类

使用传统的神经网络的短文本分类算法对其进行情感分类易出现定位误差等问题。为了解决对短文本情感分类时存在的定位误差,本文通过将词向量模型(Word2vec)、双向长短时记忆网络模型(BiLSTM)以及卷积神经网络(CNN)按照一定的框架进行组合,提出了Word2vec-CNN-BiLSTM的短文本情感分类模型。Word2vec-CNN-BiLSTM模型采用对预处理后的文本进行向量化表示来提取文章特征向量,并在神经网络层进行双向语义捕捉实现文本的情感分类。实验结果显示Word2vec-CNN-BiLSTM的短文本情感分类模型有效解决了对短文本分类出现的情感分类定位误差问题。

基于词向量和情感本体的短文本情感分类

目前短文本情感分类主要采取统计自然语言处理、情感语义特性两种方式,而将这两种方式相结合进行情感分类的研究较少,故提出将这两种方式进行结合,设计基于词向量与情感本体相融合的短文本情感分类方法。首先利用Word2Vec模型训练词向量,以相加平均法合成短文本向量;在此基础上结合基于情感本体所得出的每条短文本的情感值,构建词向量与情感本体相融合的短文本表示模型;最后采用K最近邻分类算法完成短文本情感分类。相比传统的基于词向量、基于情感本体或其他单一技术路线的分类方法,词向量与情感本体相融合的分类方法在准确率、召回率、F1值均有明显的提升。

一种基于深度学习的电商平台用户评论情感分类方法

随着电子商务的发展,用户评论文本呈爆炸式增长,对评论文本的情感倾向进行挖掘有助于为潜在用户及商家品牌提供观点倾向及决策支撑。传统文本情感分类方法存在深层语义挖掘不充分现象,导致下游分类任务效果不理想。本工作提出一种情感分类算法BERT-Bi-LSTM,基于BERT构建文本字向量表示,采用双向长短期记忆网络进行特征提取,结合注意力机制对用户评论文本进行积极、消极情感分类。本工作提出的方案在爬取京东评论数据集上准确率达到95.4%,在IMDB数据集上能达到91.73%的准确率。实验结果表明,该模型有效提高了分类任务的准确率。