基于BiLSTM-CRF的商情实体识别模型

结合语言模型条件随机场(CRF)和双向长短时记忆(BiLSTM)网络,构建一种BiLSTM-CRF模型,以提取商情文本序列中的招标人、招标代理以及招标编号3类实体信息。将规范化后的招标文本序列按字进行向量化,利用BiLSTM神经网络获取序列化文本的前向、后向文本特征,并通过CRF提取出双向本文特征中相应的实体。实验结果表明,与传统机器学习算法CRF相比,该模型3类实体的精确率、召回率和F1值平均提升15.21%、12.06%和13.70%。

融合词性的双注意力Bi-LSTM情感分析

针对大多数情感分析文本过短、提取文本特征不足的问题,提出一种融合词性的双注意力机制的双向长短期记忆网络模型(CWPAT-Bi-LSTM)。首先,区别于一般情感分析只用词作为特征,该模型也使用了字和单词的词性作为神经网络的输入来丰富文本的特征;然后,融合字、词和词性的深层语义表达;最后,使用注意力机制关注对情感分析有价值的部分,更好地把握文本的情感,提高情感分类的精度。实验结果表明,与未融合词性的模型(CWATBi-LSTM)相比,该模型在4个数据集上情感分类的准确率分别提高1. 35、1. 25、0. 93、1. 5个百分点,验证了所提方法能够有效提高情感分类的准确率。