NLP论文（情感分析）：《Deep Convolution Neural Networks for Twitter Sentiment Analysis》 笔记

论文

NLP论文笔记合集（持续更新）

原论文：《Deep Convolution Neural Networks for Twitter Sentiment Analysis》

介绍

2018年01月01日发表的文章

模型结构

文章翻译

Abstract

推特情感分析技术提供了调查公众对与之相关的事件或产品的情感的方法。目前的研究主要集中在通过分析词汇和句法特征来获取情感特征。这些特征通过情感词、表情符号、感叹号等明确表达。本文介绍了一种基于大型twitter语料库的无监督学习的 word embedding 方法，该方法利用tweet中潜在的上下文语义关系和词语间的共现统计特征。这些 word embedding 与n-grams特征和单词情感极性得分特征相结合，形成了一组tweet情感特征集。该特征集被集成到一个深度卷积神经网络中，用于训练和预测情感分类标签。我们在五个Twitter数据集上实验比较了我们的模型与基线模型（一个单词n-grams模型）的性能，结果表明我们的模型在Twitter情感分类的准确性和F1测度方面表现更好。

VI. CONCLUSION

在这项工作中，我们利用深度卷积神经网络对Twitter推特上的情感进行分类。我们的方法将基于 GloVe 词情感极性特征的情感词典和n-grams特征作为tweet的情感特征向量生成的预训练 word embedding 特征连接起来，并将特征集输入到深度卷积神经网络。我们的模型捕获具有循环结构的上下文信息，并使用卷积神经网络构造文本的表示。我们在五个数据集中报告了我们的实验结果。我们的模型比最先进的方法和基线模型表现得更好。我们最终可以得出结论，利用预先训练的词向量的深度卷积神经网络在Twitter情感分析任务中具有良好的性能。

相关的笔记

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API