典型文献
基于特征融合的文本情感分类
文献摘要：
虽然卷积神经网络(CNN)可以提取局部特征,长短期记忆网络(LSTM)可以提取全局特征,它们都表现出了较好的分类效果,但CNN在获取文本的上下文全局信息方面有些不足,而LSTM容易忽略词语之间隐含的特征信息.因此,提出了用CNN_BiLSTM_Attention并行模型进行文本情感分类.首先,使用CNN提取局部特征,同时BiLSTM提取带有上下文语义信息的全局特征,之后将两者提取的特征拼接在一起,进行特征融合.这样使得模型既能捕获局部短语级特征,又能捕获上下文结构信息,并对特征词的重要程度,利用注意力机制分配不同权重,进而提高模型的分类效果.通过与单一模型CNN、LSTM等深度神经网络模型的对比,本文所提的CNN_BiLSTM_Attention并行模型在综合评价指标F1score和准确率上都有提升,实验结果表明,本文所提模型在文本情感分类任务中取得了较好的结果,比其他神经网络模型有更好的实用价值.
文献关键词：
文本分类;CNN;注意力机制;BiLSTM;CNN_BiLSTM_Attention并行模型
中图分类号：
作者姓名：
李清旭;张琛;成雪
作者机构：
甘肃政法大学网络空间安全学院,甘肃 兰州 730070
文献出处：
引用格式：
[1]李清旭;张琛;成雪-.基于特征融合的文本情感分类)[J].电脑与电信,2022(01):1-6,12
A类：
F1score
B类：
特征融合,文本情感分类,局部特征,长短期记忆网络,全局特征,分类效果,全局信息,词语,特征信息,BiLSTM,Attention,上下文语义,语义信息,特征拼接,接在,短语,结构信息,特征词,重要程度,注意力机制,不同权重,深度神经网络模型,综合评价指标,分类任务,文本分类
AB值：
0.268041
相似文献
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。
