【摘要】：針對(duì)基于詞向量的神經(jīng)網(wǎng)絡(luò)模型在產(chǎn)品屬性情感分析中效果不佳的問(wèn)題,提出一種集成離散特征和詞向量特征的開(kāi)關(guān)遞歸神經(jīng)網(wǎng)絡(luò)模型。首先,通過(guò)直接循環(huán)圖為語(yǔ)句建模,采用開(kāi)關(guān)遞歸神經(jīng)網(wǎng)絡(luò)模型完成產(chǎn)品屬性情感分析任務(wù);然后,在開(kāi)關(guān)遞歸神經(jīng)網(wǎng)絡(luò)模型中集成離散特征和詞向量特征;最后,分別在流水線、聯(lián)合、折疊三種任務(wù)模型中完成屬性提取和情感分析任務(wù)。以宏觀F1分?jǐn)?shù)作為評(píng)估指標(biāo),在Sem Eval-2014的筆記本電腦和餐館評(píng)論數(shù)據(jù)集上做實(shí)驗(yàn)。開(kāi)關(guān)遞歸神經(jīng)網(wǎng)絡(luò)模型的F1分?jǐn)?shù)為:48.21%和62.19%,超過(guò)普通遞歸神經(jīng)網(wǎng)絡(luò)模型近1.5個(gè)百分點(diǎn),因而開(kāi)關(guān)遞歸神經(jīng)網(wǎng)絡(luò)能夠有效捕獲復(fù)雜特征,提升產(chǎn)品屬性情感分析的效果。而集成離散特征和詞向量特征的神經(jīng)網(wǎng)絡(luò)模型的F1分?jǐn)?shù)為:49.26%和63.31%,均超過(guò)基線結(jié)果 0.5到1個(gè)百分點(diǎn),表明離散特征和詞向量特征互相促進(jìn),另一方面,也表明僅僅基于詞向量的神經(jīng)網(wǎng)絡(luò)模型仍有提升空間。三種任務(wù)模型中,流水線模型的F1分?jǐn)?shù)最高,表明應(yīng)將屬性提取和情感分析任務(wù)分開(kāi)完成。
[Abstract]:In order to solve the problem that the neural network model based on word vector is not effective in product attribute emotion analysis, a switching recurrent neural network model integrating discrete features and word vector features is proposed. Firstly, the sentence is modeled by direct loop graph, and the switching recurrent neural network model is used to complete the task of product attribute emotion analysis, and then, the discrete features and word vector features are integrated into the switching recurrent neural network model. Finally, attribute extraction and emotion analysis are completed in pipeline, union and folding task models. Using macro F1 score as an evaluation index, experiments were carried out on Sem Eval-2014 laptops and restaurant review datasets. The F1 scores of switching recurrent neural network model are 48.21% and 62.19%, which are nearly 1.5 percentage points higher than those of ordinary recurrent neural network model, so the switching recurrent neural network can effectively capture complex features. Improve the effect of emotional analysis of product attributes. The F1 scores of the neural network model integrating discrete features and word vector features are 49.26% and 63.31%, both of which exceed the base line results by 0.5 to 1 percentage point, indicating that discrete features and word vector features promote each other, on the other hand, It is also shown that there is still room for lifting in the neural network model based only on word vectors. Among the three task models, the F1 score of pipeline model is the highest, which indicates that attribute extraction and emotion analysis should be completed separately.
【作者單位】： 武漢大學(xué)計(jì)算機(jī)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61133012)~~
【分類號(hào)】：TP183;TP391.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 熊英;;基于神經(jīng)網(wǎng)絡(luò)模型的個(gè)性化服務(wù)研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2008年10期

2 劉亞秀;;英文字母中的噪聲信號(hào)對(duì)神經(jīng)網(wǎng)絡(luò)模型識(shí)別的影響[J];防災(zāi)科技學(xué)院學(xué)報(bào);2006年04期

3 歐陽(yáng)江林;重復(fù)傳播神經(jīng)網(wǎng)絡(luò)模型及其學(xué)習(xí)算法的探討[J];浙江工貿(mào)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2002年01期

4 李志剛,胡守仁;表示結(jié)構(gòu)化知識(shí)的神經(jīng)網(wǎng)絡(luò)模型[J];國(guó)防科技大學(xué)學(xué)報(bào);1997年01期

5 帥建偉，陳振湘，劉瑞堂，吳伯僖;2~n元數(shù)神經(jīng)網(wǎng)絡(luò)模型；多值圖象的識(shí)別應(yīng)用[J];廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版);1995年05期

6 潘昊，吉孔詩(shī)，，鐘珞，李桂青，鄒秀芬;一種新的神經(jīng)網(wǎng)絡(luò)模型及學(xué)習(xí)算法[J];湖北工學(xué)院學(xué)報(bào);1995年04期

7 陳繼述;基于神經(jīng)網(wǎng)絡(luò)模型的智能化目標(biāo)識(shí)別[J];激光與紅外;1989年05期

8 王芳;吳召明;鄭亮;趙波;馬世雷;;基于MATLAB的神經(jīng)網(wǎng)絡(luò)模型參考控制仿真[J];機(jī)械工程與自動(dòng)化;2007年05期

9 陳一峰;曹元大;;一種時(shí)空模式識(shí)別的綜合神經(jīng)網(wǎng)絡(luò)模型[J];模式識(shí)別與人工智能;1996年03期

10 丁紅;吳志;李宏光;;可視化神經(jīng)網(wǎng)絡(luò)模型參考控制器的設(shè)計(jì)[J];通化師范學(xué)院學(xué)報(bào);2006年04期

相關(guān)會(huì)議論文 前1條

1 郭景峰;蘇哲;劉強(qiáng);鄒曉紅;董曉;;基于神經(jīng)網(wǎng)絡(luò)的多關(guān)系數(shù)據(jù)分類算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

相關(guān)碩士學(xué)位論文 前9條

1 蘇延平;基于圖像處理的車牌識(shí)別技術(shù)的研究與實(shí)現(xiàn)[D];吉林大學(xué);2016年

2 付春芬;基于深度學(xué)習(xí)的安全帶檢測(cè)方法研究[D];華中科技大學(xué);2015年

3 柳丹;量子神經(jīng)網(wǎng)絡(luò)模型及其在心電圖分類識(shí)別中的應(yīng)用研究[D];南京郵電大學(xué);2012年

4 王志勇;基于模式識(shí)別的股價(jià)趨勢(shì)預(yù)測(cè)系統(tǒng)[D];上海交通大學(xué);2007年

5 壽質(zhì)彬;基于神經(jīng)網(wǎng)絡(luò)模型融合的圖像識(shí)別研究[D];華南理工大學(xué);2015年

6 許詣博;基于神經(jīng)網(wǎng)絡(luò)模型的智能授導(dǎo)系統(tǒng)研究[D];東北師范大學(xué);2010年

7 Amos Iseorukarima Iruenabere;[D];湖南大學(xué);2011年

8 張閃閃;基于競(jìng)爭(zhēng)機(jī)制的神經(jīng)網(wǎng)絡(luò)模型在視覺(jué)不變性中的應(yīng)用研究[D];天津大學(xué);2010年

9 桂彬旺;基于神經(jīng)網(wǎng)絡(luò)的堆浸廠生產(chǎn)管理信息系統(tǒng)的研究[D];昆明理工大學(xué);2002年

本文編號(hào)：2473313