（二十一）：基于深度记忆网络的方面级情感分类

最新推荐文章于 2022-04-28 14:59:31 发布

Laura_Wangzx

最新推荐文章于 2022-04-28 14:59:31 发布

阅读量201

点赞数

分类专栏： “情感分析”研究方向论文-精读总结

本文链接：https://blog.csdn.net/qq_37486501/article/details/116596745

版权

“情感分析”研究方向论文-精读总结专栏收录该内容

88 篇文章 202 订阅 ¥19.90 ¥99.00

订阅专栏

本文提出了基于深度记忆网络的方面级情感分类方法，与传统的基于特征的支持向量机和LSTM模型不同，该方法能够明确捕获每个上下文词对情感极性的影响。实验表明，此方法在笔记本和餐厅数据集上与顶级特征SVM系统表现相当，且在速度和准确性上优于基于注意力的LSTM模型。多层计算层的使用提高了性能，9层深内存网络比CPU上的LSTM快15倍。

摘要由CSDN通过智能技术生成

文献阅读（二十一）：Aspect Level Sentiment Classification with Deep Memory Network

Abstract
1 Introduction
2 Background: Memory Network
3 Deep Memory Network for Aspect Level Sentiment Classification
4 Experiment
5 Related Work
6 Conclusion

出处：CoRR abs/1605.08900 (2016)
标题：基于深度记忆网络的方面级情感分类
主要内容：

Abstract

我们提出了一种面向方面层次情感分类的深度记忆网络。与基于特征的支持向量机(SVM)和LSTM等顺序神经模型不同，这种方法在推断一个方面的情感极性时明确地捕获每个上下文词的重要性。这种重要度和文本表示是通过多个计算层来计算的，每个计算层都是一个外存储器上的神经注意模型。在笔记本电脑和餐馆的数据集上的实验表明：我们的方法可以与最先进的基于特征的支持向量机系统相媲美，并且大大优于基于注意力的LSTM体系结构。在这两个数据集上，我们证明了多个计算层可以提高性能。此外，我们的方法也是快速的。具有9层的深内存网络比具有CPU实现的LSTM快15倍。

1 Introduction

方面层次的情感分类是情感分析领域的一个基本任务(Pang and Lee, 2008;刘,2012;Pontiki等人，2014)。在给定一个句子和句子中出现的一个方面的情况下，该任务旨在推断方面的情感极性(如积极的、消极的、中性的)。例如，句子“great food but the service was terrible !”。“食物”的情感极性为正，“服务”的情感极性为负。
研究人员通常使用

了解本专栏