隨著互聯(lián)網(wǎng)規(guī)模的迅速發(fā)展,對(duì)海量的文本數(shù)據(jù)的有效處理已經(jīng)成為當(dāng)今社會(huì)亟待解決的任務(wù),文本分類、情感分析等自然語(yǔ)言處理任務(wù)應(yīng)運(yùn)而生。本文致力于更有效地使用深度學(xué)習(xí)模型處理情感分析問(wèn)題,通過(guò)對(duì)現(xiàn)有的經(jīng)典神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn),使其能夠在情感分析問(wèn)題上取得更好的效果。1.針對(duì)LSTM-CNN網(wǎng)絡(luò)模型接收句子輸入訓(xùn)練時(shí)間長(zhǎng)、處理較長(zhǎng)文本時(shí)效率低下問(wèn)題,提出了一種基于跳轉(zhuǎn)的LSTM-CNN模型。首先,新的模型在讀取文本序列時(shí)進(jìn)行跳轉(zhuǎn)判斷,即在每一步中,利用兩層感知機(jī)從前向序列、后向序列和當(dāng)前單詞中提取信息,確定是否跳過(guò)當(dāng)前單詞。然后,利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）分析跳轉(zhuǎn)后的序列語(yǔ)義以及提取其特征,在卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）模型中進(jìn)一步提取局部特征。最后,合并到較小的維度,并通過(guò)softmax分類器以正或負(fù)標(biāo)簽輸出。相比LSTM-CNN的模型,實(shí)驗(yàn)結(jié)果驗(yàn)證了改進(jìn)后的模型能夠有效地提高分類效率和準(zhǔn)確率。2.將LSTM網(wǎng)絡(luò)和注意力機(jī)制相結(jié)合的方法能夠有效地提取方面級(jí)情感分析的文本特征,但僅僅依賴注意... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同維度的詞向量的情感分析準(zhǔn)確率


本文編號(hào)：2969839