典型文献
改进Tree-LSTM网络的情感分析方法
文献摘要：
在句子级情感分类任务中,针对深度学习模型易受噪声干扰而导致的分类效果差问题,提出一种结合对抗训练和注意力机制(Attetion)改进树形长短时记忆网络(Tree-LSTM)的模型.该模型为多层级结构,包括对抗样本的词嵌入层、Tree-LSTM层、注意力机制层.模型中词嵌入层即在词向量添加扰动形成对抗样本,将原始样本与对抗样本一起训练模型,对模型进行正则化处理,增强模型的泛化能力,Tree-LSTM层可以提取句子结构特征,注意力机制层对Tree-LSTM树的节点赋予不同的权重值以区分不同程度的情感词汇,从而改善模型的分类性能.实验结果显示在数据集SST、MR、COAE2014上,提出模型相比传统模型NBSVM、MNB、LSTM准确率明显提高,比未引入对抗样本的Att-TLSTM模型准确率提高,有更快的收敛速度和稳定性,证明该方法能有效提高情感分类任务中的分类性能.
文献关键词：
情感分析;深度学习;Tree-LSTM模型;注意力机制;对抗训练;对抗样本;依存句法
中图分类号：
作者姓名：
邹东尧;王斌;王丽萍
作者机构：
郑州轻工业大学 计算机与通信工程学院,河南 郑州 450000
文献出处：
引用格式：
[1]邹东尧;王斌;王丽萍-.改进Tree-LSTM网络的情感分析方法)[J].现代电子技术,2022(09):66-71
A类：
Attetion,句子结构特征,COAE2014,NBSVM,TLSTM
B类：
Tree,情感分析,句子级,情感分类,分类任务,深度学习模型,噪声干扰,分类效果,对抗训练,注意力机制,树形,长短时记忆网络,多层级结构,对抗样本,词嵌入,嵌入层,中词,词向量,加扰,训练模型,正则化,增强模型,泛化能力,权重值,情感词汇,分类性能,SST,MR,出模,传统模型,MNB,模型准确率,收敛速度,高情感,依存句法
AB值：
0.348697
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。
