NLP论文（情感分析）：《Aspect Based Opinion Mining Leveraging Weighted BiGRU and CNN Module in Parallel》 笔记

论文

NLP论文笔记合集（持续更新）

原论文：《Aspect Based Opinion Mining Leveraging Weighted BiGRU and CNN Module in Parallel》

介绍

2021年06月25日至27日会议发表的文章

模型结构

文章翻译

Abstract

人们在网络上创建了大量的意见内容，以支持他们对商品和服务的意见，这些商品和服务在日常生活中具有很高的商业价值。出于两极分化的原因，这些评论句有时包含多个不同情感的评论成分，使得句子的实际目的无关紧要。aspect-oriented 情感分析的目标只是识别场景中目标的感知极性。深度学习肯定正在成熟，使用深度学习方法识别情感变得越来越普遍。介绍了卷积神经网络&双向门控循环装置在情感分类模型中的应用。LSTM等价于BiGRU，BiGRU是一种处理复杂度较低的时间循环神经网络。我们建议并行使用CNN和bi-GRU，将权重应用于CNN和bi-GRU输出的元素。我们并行使用CNN和bi-GRU，因为CNN可能从原始数据集中产生比用作CNN输入的bi-GRU组件更重要的特征空间。对于最终的情感分类，使用Sigmoid分类器。

V. CONCLUSION

在 aspect-based 情绪处理领域，深度学习取得了重大进展，使模型中的数据能够用于许多应用。深入学习将是推动该领域发展的关键。在这两种情况下，大多数神经模型都通过句子来学习交流情感。最新的神经网络无法获得可验证的情感表达，如不协调、深刻的思考、正确的判断等等，这些对人类来说是没有挑战性的。此外，可用数据量对这些模型有重大影响。基于CNN和双向长-短期记忆网络各自的特性，提出了一种混合CNN和BiGRU网络的BiGRU-CNN模型，并将其应用于笔记本电脑和餐馆评论的情感检测领域。使用该模型成功地提取了文本特征，该模型仔细检查了CNN在捕获本地文本特征方面的优势与BiGRU网络捕获全局文本特征的能力以及文本上下文中的细节。本文提供了一个逐步的理论检验，包括测试卷积和BiGRU。还研究了一些流行的机器学习方法。根据我们的发现，BiGRU-CNN算法模型对情感分类有更强的影响。另一方面，深度学习在这门学科中尚未取得相当大的进展。我们相信，这项研究将帮助读者理解基于深度学习的过程的基本组成部分，特别是这个BiGRU-CNN的使用，以改进结果，并澄清最重要的突破，揭示当前的挑战。GRU与CNN结合使用需要大量的计算能力。然而，虽然我们在一定程度上缩短了计算时间，但在未来仍有改进的余地。

相关的笔记

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API