典型文献
基于多通道Bi-GRU和损失再平衡的不平衡样本情感分类研究
文献摘要：
通常情感分类模型都假定数据集中各类别样本数之间处于平衡状态,实际上数据集中不同类别样本间并不平衡.当样本间存在样本类别不平衡问题时,会导致训练结果偏向多数类样本,少数类样本分类精度不高.另外,在训练过程中,新加入样本存在贡献衰减问题,这将导致新样本对情感分类的效果影响降低,从而影响最终分类效果.针对以上问题,该文提出一种基于混合采样与代价损失再平衡相融合的多通道双向GRU情感分类方法(Re-balance Multichannel Sampling BiGRU,RMS_BiGRU).该模型首先在数据集上对样本进行混合重采样处理,根据不同的采样形式输入到不同的神经网络通道中,并在各通道中使用损失函数再平衡策略对新老训练样本进行贡献平衡.该文提出的模型可以缓解神经网络对多数类样本的依赖问题,同时样本空间中的所有样本对训练的贡献都大致相同.实验结果表明,该方法在整体G-mean评价上优于其他情感分类方法.
文献关键词：
情感分类;多通道采样;再平衡贡献;双向GRU
中图分类号：
作者姓名：
李卫疆;唐铭;余正涛
作者机构：
昆明理工大学 信息工程与自动化学院,云南 昆明 650500;昆明理工大学 云南省人工智能重点实验室,云南 昆明 650500
文献出处：
引用格式：
[1]李卫疆;唐铭;余正涛-.基于多通道Bi-GRU和损失再平衡的不平衡样本情感分类研究)[J].中文信息学报,2022(02):160-170
A类：
再平衡策略,再平衡贡献
B类：
不平衡样本,情感分类,分类研究,分类模型,假定,别样,平衡状态,上数,本类,类别不平衡,不平衡问题,少数类,分类精度,训练过程,效果影响,分类效果,混合采样,平衡相,分类方法,Re,balance,Multichannel,Sampling,BiGRU,RMS,重采样,损失函数,训练样本,时样,样本空间,有样,大致相同,mean,多通道采样
AB值：
0.386243
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。
