两个基于神经网络的情感分析模型

最新推荐文章于 2024-09-14 21:53:57 发布

young-nlp

最新推荐文章于 2024-09-14 21:53:57 发布

阅读量1.7w

点赞数 1

分类专栏：论文笔记文章标签：神经网络情感分析机器学习

本文链接：https://blog.csdn.net/youngair/article/details/78013352

版权

本文探讨了两种基于神经网络的情感分析模型，包括Deep Convolutional Neural Networks和Regional CNN-LSTM模型，分别用于短文本和篇章级别的情感分析。Deep CNN模型通过word-和character-level embeddings捕捉语义和形态信息，而CNN-LSTM模型通过区域卷积和LSTM编码器捕获时序关系，以进行连续维度的情感分析。实验结果显示，这两种模型在各自任务上表现优越。

摘要由CSDN通过智能技术生成

前言

情感分析，也称倾向性分析，即对一个主观的文本分析判断说话者的情感色彩或者褒贬态度。传统的方法一般有基于情感词典（构建情感词典后统计文本极性词进行判断）和基于机器学习（使用词袋模型对词语向量化后利用机器学习方法训练分类器），但结果往往差强人意。本周阅读的两篇论文都是基于神经网络对文本进行情感分析，一篇是针对句子级别的文本，另一篇是针对篇章级别的文本。下面进行简单介绍。

Deep Convolutional Neural Networks for Sentiment Analysis of Short Texts

本文的主要结构是输入一个句子文本，经过两层CNN转化成一个sentence-level的向量，然后将这个向量输入到一个3层的神经网络中，经过训练得到正确的分类。

1 Word-Level and Character-Level Embeddings

文中提出一种组合的Word embedings的形式，即把每个词通过word2vec训练得到一个word-level的向量 $r^{wrd}$ ，然后把组成每个词的字母字符也训练得到一个character-level的向量 $r^{wch}$ ，这样有利于同时捕捉到语义信息和词形态信息，（比如一些程度副词: terribly，badly ）组合得到一个新的词向量 $u_n = [r^{wrd}, r^{wch}]$