检索结果-南通市图书馆

检索条件"主题词=Attention与BiLSTM模型"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于attention与bilstm模型的多情感分类方法研究

基于Attention与BiLSTM模型的多情感分类方法研究

引用

作者：王婷伟南华大学

学位级别：硕士

以往的情感分类大多是基于粗粒度进行的,针对五分类进行的研究不多,且最终的情感分类结果只包含一种情感,很少对多情感共存现象进行研究,因此不能完全体现用户情感的丰富性。研究学者使用attention机制对单语或双语文本的研究技术也取... 详细信息

以往的情感分类大多是基于粗粒度进行的,针对五分类进行的研究不多,且最终的情感分类结果只包含一种情感,很少对多情感共存现象进行研究,因此不能完全体现用户情感的丰富性。研究学者使用attention机制对单语或双语文本的研究技术也取得了不错的成效,但鲜有针对语码转换文本(Code-Switching Text)的情感分类进行研究。针对这些不足,本文提出一种基于attention与bilstm模型的多情感分类方法,通过bilstm模型构建五个情感分类器来获取文本上下文关系,分别是Happiness、Anger、Sadness、Fear、Surprise情感分类器,从而预测出单个帖子所属的所有情感。使用word2vec的Skip-gram方法将语码转换文本转化成词向量来作为多情感分类器的输入,并采用负采样方法提高词向量的质量、加快训练速度,针对不同词对文本的权重不同引入attention机制来表示不同特征的重要性,增强上下文语义信息,并获取更深层次特征,最后通过Softmax进行回归,完成所有帖子所属的所有情感预测。通过对基于attention与bilstm模型的实验结果进行分析,发现Surprise和Fear情感分类器的性能明显低于Happiness、Anger、Sadness情感分类器,分析原因为语码转换文本存在类别不平衡问题,由于数据量小的类别在训练模型时特征不明显,导致将数据量小的类别预测为数据量多的类别,降低了情感分类准确率。为了解决上述问题,本文提出一种改进的基于attention与bilstm模型的多情感分类方法研究。使用新浪提供的API抓取微博中的语码转换文本数据,邀请20名自然语言处理领域的同学对抓取的数据类别进行标注,从中有目标的选取五种类别的数据,比如选取同一个帖子包含多种情感的数据,每个类别数据量统一为2000条,使得语码转换文本达到类别平衡从而对语码转换文本进行扩充。使用伪梯度下降法调整模型参数,对交叉熵损失函数进行优化,降低复杂度,使得模型的分类性能更稳定。实验证明,改进的基于attention与bilstm模型的多情感分类方法研究与未改进的算法相比,缓解了少数类被错分成多数类的问题,Marco-F1值提高了11.4%,且每个情感分类器的F1值均有很大的提高,减小了Surprise、Fear情感分类器的F1值与其它三个情感分类器F1值的差距,因此改进的基于attention与bilstm模型的多情感分类方法研究可以更为准确的判别文本的多种情感,取得了更好地分类效果,验证了模型的有效性。

关键词：多元情感分类 attention与bilstm模型类别不平衡伪梯度下降法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：