典型文献
基于情感词典和堆叠残差的双向长短期记忆网络的情感分析
文献摘要：
情感分析作为自然语言处理(NLP)的细分研究方向经历了使用情感词典、机器学习和深度学习分析的发展过程.针对使用一般化的深度学习模型作为文本分类器对于特定领域的网络评论类型的文本的分析的精准度较低,训练时发生过拟合现象以及情感词典覆盖率低、编纂工作量大的问题,提出了基于情感词典和堆叠残差的双向长短期记忆(Bi-LSTM)网络的情感分析模型.首先,借助情感词典中情感词的设计覆盖"教育机器人"研究领域内的专业词汇,从而弥补Bi-LSTM模型在分析此类文本时精准度的不足;然后,使用Bi-LSTM和SnowNLP来降低情感词典的编纂体量.长短期记忆(LSTM)网络的"记忆门""遗忘门"结构可以在保证充分考虑评论文本中的前后词语的关联性的同时,适时选择遗忘一些已分析词语,从而避免反向传播时的梯度爆炸问题.而在将堆叠残差的Bi-LSTM引入后,不仅使得模型的层数加深至8层,而且还使残差网络避免了叠加LSTM时会导致的"退化"问题;最后,通过适当设置和调整两部分的得分权重,并将总分使用Sigmoid激活函数标准化到[0,1]的区间上,按照[0,0.5],(0.5,1]的区间划分分别表示负面和正面情绪,完成情感分类.实验结果表明,在"教育机器人"评论数据集中,所提模型对于情感分类准确率相较于标准的LSTM模型提升了约4.5个百分点,相较于BERT提升了约2.0个百分点.综上,所提模型将基于情感词典和深度学习模型的情感分类方法一般化;而通过修改情感词典中的情感词汇并适当调整深度学习模型的结构和层数,所提模型可以应用于电子商务平台中各类商品的购物评价的精确情感分析,从而帮助企业洞悉消费者的购物心理和市场需求,同时也可以为消费者提供商品质量的一种参考标准.
文献关键词：
双向长短期记忆网络;购物评论;情感分析;堆叠残差;情感词典
中图分类号：
作者姓名：
罗浩然;杨青
作者机构：
华中师范大学伍伦贡联合研究院,武汉430079;华中师范大学计算机学院,武汉430079;国家语言资源监测与研究网络媒体中心,武汉430077
文献出处：
引用格式：
[1]罗浩然;杨青-.基于情感词典和堆叠残差的双向长短期记忆网络的情感分析)[J].计算机应用,2022(04):1099-1107
A类：
堆叠残差,网络评论类型,购物评论
B类：
情感词典,双向长短期记忆网络,情感分析,自然语言处理,学习分析,一般化,深度学习模型,文本分类,分类器,特定领域,过拟合,编纂,Bi,中情,教育机器人,专业词汇,SnowNLP,来降,遗忘,评论文本,词语,反向传播,层数,残差网络,分权,Sigmoid,激活函数,区间划分,正面情绪,情感分类,评论数据,分类准确率,百分点,BERT,分类方法,情感词汇,电子商务平台,洞悉,提供商,商品质量,参考标准
AB值：
0.233699
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。
