典型文献
基于双指导注意力网络的属性情感分析模型
文献摘要：
鉴于深度学习技术的不断发展,越来越多的研究者倾向于使用深度神经网络学习文本特征表示用于情感分析,其中序列模型(sequence models)和图神经网络(graph neural networks)已得到广泛的应用,并取得了不错的效果.然而,对于属性情感分类任务,属性对象与其他单词之间存在远距离的依赖关系,虽然序列型神经网络能捕获句子的上下文语义信息,但是对词语之间的远距离依赖关系无法进行有效学习;而图神经网络虽然可以通过图结构聚合更多的属性依赖信息,但会忽略有序词语间的上下文语义联系.因此结合双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)和图卷积神经网络(graph convolutional network,GCN),提出一种基于双指导注意力网络(bi-guide attention network,BiG-AN)的属性情感分析模型.该模型通过交互指导注意力机制,同时关注到文本的上下文信息和远距离依赖信息,提高了模型对于文本属性级别情感特征的表示学习能力.在4个公开数据集Laptop,Rest14,Rest16,Twitter的实验结果表明,与其他几种基准模型相比,所提模型能够提取到更丰富的属性文本特征,有效提高属性情感分类的结果.
文献关键词：
双向长短时记忆网络;图卷积神经网络;依存关系树;注意力机制;属性情感分析
中图分类号：
作者姓名：
谢珺;王雨竹;陈波;张泽华;刘琴
作者机构：
太原理工大学信息与计算机学院,山西晋中 030600
文献出处：
引用格式：
[1]谢珺;王雨竹;陈波;张泽华;刘琴-.基于双指导注意力网络的属性情感分析模型)[J].计算机研究与发展,2022(12):2831-2843
A类：
属性情感分析,Rest14,Rest16,依存关系树
B类：
注意力网络,深度学习技术,使用深度,深度神经网络,神经网络学习,学习文本,文本特征表示,序列模型,sequence,models,图神经网络,graph,neural,networks,已得,不错,情感分类,分类任务,单词,远距离,依赖关系,句子,上下文语义,语义信息,词语,有效学习,图结构,属性依赖,双向长短时记忆网络,bi,directional,long,short,term,memory,BiLSTM,图卷积神经网络,convolutional,GCN,guide,attention,BiG,AN,互指,注意力机制,注到,上下文信息,文本属性,属性级别,别情,情感特征,表示学习,公开数据集,Laptop,Twitter,取到
AB值：
0.391785
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。
