典型文献
基于ERNIE和双重注意力机制的微博情感分析
文献摘要：
针对传统词向量无法在上下文中表示词的多义性,以及先验的情感资源未能在神经网络中得到充分利用等问题,提出一种基于知识增强语义表示(Enhanced?Representation?through?Knowledge?Integration?,ERNIE)和双重注意力机制(Dual?Attention?Mechanism,?DAM)的微博情感分析模型ERNIE-DAM.?首先利用现有的情感资源构建一个包含情感词、否定词和程度副词的情感资源库;其次采用BLSTM网络和全连接网络分别对文本和文本中包含的情感信息进行编码,不同的注意力机制分别用于提取文本和情感信息中的上下文关系特征和情感特征,并且均采用ERNIE预训练模型获取文本的动态特征表示;最后将上下文关系特征和情感特征进行拼接融合,获取最终的特征向量表示.?实验结果表明,新模型在COAE2014和weibo_senti_100k数据集上的分类准确率分别达到了94.50％和98.23％,同时也验证了将情感资源运用到神经网络中的有效性.
文献关键词：
情感分析;知识增强语义表示;长短时记忆网络;注意力机制
中图分类号：
作者姓名：
沈彬;严馨;周丽华;徐广义;刘艳超
作者机构：
昆明理工大学 信息工程与自动化学院,云南 昆明 650500;昆明理工大学 云南省人工智能重点实验室,云南 昆明 650500;云南大学 信息学院,云南 昆明 650500;云南南天电子信息产业股份有限公司,云南 昆明 650040;湖北工程学院 信息技术中心,湖北 孝感 432000
文献出处：
引用格式：
[1]沈彬;严馨;周丽华;徐广义;刘艳超-.基于ERNIE和双重注意力机制的微博情感分析)[J].云南大学学报（自然科学版）,2022(03):480-489
A类：
COAE2014,senti
B类：
ERNIE,双重注意力机制,微博,情感分析,词向量,上下文,多义性,先验,情感资源,基于知识,知识增强语义表示,Enhanced,Representation,through,Knowledge,Integration,Dual,Attention,Mechanism,DAM,资源构建,一个包,含情,否定词,程度副词,资源库,BLSTM,全连接网络,情感信息,关系特征,情感特征,预训练模型,动态特征,特征表示,拼接,特征向量,向量表示,weibo,100k,分类准确率,资源运用,长短时记忆网络
AB值：
0.421233
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
