典型文献
融合情感词典的改进BiLSTM-CNN+Attention情感分类算法
文献摘要：
传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高.提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法.首先,通过融合情感词典的特征提取方法优化特征词的权重;其次,利用卷积神经网络(convolutional neural network,CNN)提取局部特征,利用双向长短时记忆网络(bidirectional long and short-term memory,BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测.实验结果表明:所提出的情感分类算法在精确率、召回率和F值上均有较大提升.相较于TextCNN、BiLSTM、长短时记忆网络(long and short-term memory,LSTM)、CNN和随机森林模型,所提方法的F值分别提高2.35％、3.63％、4.36％、2.72％和6.35％.这表明所提方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能.所提方法具有一定的学术价值和应用前景.
文献关键词：
情感分类;双向长短时记忆网络-卷积神经网络(BiLSTM-CNN);注意力机制;情感词典;深度学习
中图分类号：
作者姓名：
杨秀璋;郭明镇;候红涛;袁杰;李晓峰;李坤琪;汪威;何世群;罗子江
作者机构：
贵州财经大学信息学院,贵阳550025
文献出处：
引用格式：
[1]杨秀璋;郭明镇;候红涛;袁杰;李晓峰;李坤琪;汪威;何世群;罗子江-.融合情感词典的改进BiLSTM-CNN+Attention情感分类算法)[J].科学技术与工程,2022(20):8761-8770
A类：
CNN+Attention
B类：
情感词典,BiLSTM,情感分类,分类算法,深度学习模型,分类任务,情感特征,特征词,情感语义,语义关系,单薄,改进型,方法优化,convolutional,neural,network,局部特征,双向长短时记忆网络,bidirectional,long,short,term,memory,高效提取,上下文语义,语义特征,长距离依赖,依赖关系,注意力机制,加成,Softmax,分类器,文本情感,情感预测,精确率,召回率,TextCNN,随机森林模型,充分融合,高情感,分类性能,学术价值
AB值：
0.324735
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。
