基于位置增强词向量和GRU-CNN的方面级情感分析模型研究

doi:10.3778/j.issn.1002-8331.2212-0375

摘要/摘要

摘要：方面级情感分析旨在判断一段文本中特定方面词的情感倾向，其核心问题是方面词的上下文如何准确表征。与现有研究主要关注注意力机制的改进不同，该文从词语表征和上下文编码模型两个方面进行改进。在词语表征方面，通过BERT（误码率）模型和位置度量公式获得增强的词向量表示；在上下文编码模型方面，使用GRU-CNN（美国有线电视新闻网）路线2014年第二季度任务4数据集上的实验表明，提出的模型在餐厅和笔记本电脑领域中的准确率分别达到了85.54%和80.35%，证实了所提出模型的有效性。

关键词: 方面级情感分析, 卷积神经网络, 预训练词向量, 位置函数, 注意力机制

摘要：体层面的情感分析旨在根据给定的语境判断特定体层面单词的情感态度。核心问题是如何准确地表示体词的上下文。与现有的主要关注注意机制改进的研究不同，本文侧重于两个方面：词汇表征和上下文编码。在单词表示方面，通过BERT模型和位置测量公式获得位置增强单词表示。在上下文编码方面，使用GRU-CNN网络提取文本的语义特征。在SemEval2014Task4数据集上的实验表明，该模型在餐厅和笔记本电脑数据集上分别达到85.54%和80.35%，证明了该模型的有效性。

关键词： 方面层面的情绪分析，卷积神经网络（CNN），预训练单词向量，位置函数，注意机制

陶林娟, 华庚兴, 李波. 基于位置增强词向量和GRU-CNN（美国有线电视新闻网）的方面级情感分析模型研究[J] ●●●●。计算机工程与应用, 2024年，60（9）：212-218。

陶林娟，华庚星，李波.基于位置增强词嵌入和GRU-CNN模型的体层情感分析[J]。计算机工程与应用，2024，60（9）：212-218。

参考文献

[1] 冯超, 黎海辉, 赵洪雅, 等. 基于层次注意力机制和门机制的属性级别情感分析[J] ●●●●。中文字信息，2021, 35(10): 128-136.
冯C，李海华，赵海英，等.基于层次注意和门网络的方面级情感分析[J]。中国信息处理杂志，2021，35（10）：128-136。
[2] 杨C，张华，姜波，等.基于交互关注网络的基于方面的情感分析[J]。信息处理与管理，2019，56（3）：463-478。
[3] 王毅，黄明，朱霞，等.基于注意的LSTM在体层情感分类中的应用[C]//2016年自然语言处理实证方法会议论文集，2016。
[4] SHUANG K，ZHANG Z，GUO H，等.一种基于神经网络的情绪信息采集器-抽取器结构[J]。信息科学，2018，467:549-558。
[5] WANG L，NIU J，YU S.SentiDiff:结合文本信息和情绪扩散模式进行推特情绪分析[J]。IEEE知识与数据工程汇刊，2019，32（10）：2026-2039。
[6] SERRANO-GUERRERO J，OLIVAS J A，ROMERO F P，等.情绪分析：web服务的回顾与比较分析[J]。信息科学，2015，311:18-38。
[7] 唐丹，秦斌，冯欣，等.目标相关情感分类的有效LSTM方法[C]//国际计算语言学会议论文集，2016:3298-3307。
[8] BAHDANAU D，CHO K，BENGIO Y。通过联合学习对齐和翻译的神经机器翻译[C]//第三届学习表征国际会议论文集，2015。
[9] 陈鹏，孙Z，BING L，等.面向方面情感分析的记忆递归注意网络[C]//2017年自然语言处理实证方法会议论文集，2017:452-461。
[10] 宋毅，王杰，姜涛，等.目标情感分类的注意编码网络[J]。arXiv:1902年。
09314, 2019.
[11] 王家乾, 龚子寒, 薛云, 等. 基于混合多头注意力和胶囊网络的特定目标情感分析[J] ●●●●。中文信息学报, 2020, 34(5): 100-110.
王继光，龚志海，薛毅，等.基于混合多头部注意和胶囊网络的基于方面的情感分析[J]。中国信息处理杂志，2020，34（5）：100-110。
[12] DEVLIN J，CHANG M，LEE K，et al.BERT:用于语言理解的深层双向变换器预培训[C]//计算语言学协会北美分会会议记录：人类语言技术，2019。
[13] 陈壮, 钱铁云, 李万理, 等. 低资源方面级情感分析研究综述[J] ●●●●。计算机学报, 2023, 46(7): 1445-1472.
陈泽，钱天勇，李伟力，等。基于低资源方面的情感分析：一项调查[J]。中国计算机学报，2023，46（7）：1445-1472。
[14] MA D，LI S，ZHANG X，et al.面向方面情感分类的交互式注意网络[C]//第26届国际人工智能联合会议论文集，2017:4068-4074。
[15] 李霞，BING L D，LAM W，等.面向目标的情感分类转换网络[C]//计算语言学协会第56届年会论文集（第1卷：长篇论文），2018。
[16] 张C，李强，宋德，等.基于方面的图卷积网络情感分类[C]//自然语言处理经验方法会议暨第九届国际自然语言处理联合会议论文集，2019。
[17] MIKOLOV T，SUTSKEVER I，CHEN K，et al.单词和短语的分布式表示及其组成[C]//第二十七届神经信息处理系统年会论文集，2013:311-3119。
[18] PENNINGTON J，SOCHER R，MANNING C.Glove：单词表示的全局向量[C]//自然语言处理经验方法会议论文集，2014。
[19] 宋威, 温子健. 基于特征双重蒸馏网络的方面级情感分析[J] ●●●●。中文信息学报, 2021, 35(7): 126-133.
宋伟，温振杰.基于方面的情感分析的特征双重蒸馏网络[J]。中国信息处理杂志，2021，35（7）：126-133。
[20] PONTIKI M，GALANIS D，PAPAGEORGIOU H，et al.SemEval2014 task4:基于方面的情感分析[C]//第18届语义评估国际研讨会论文集，2014:27-35。
[21] 夏鸿斌, 顾艳, 刘渊. 面向特定方面情感分析的图卷积过度注意（ASGCN-AOA）模型[J] ●●●●。中文信息学报, 2022, 36(3): 146-153.
夏海波，顾毅，刘毅。情绪分析特定方面的图卷积过度关注（ASGCN-AOA）模型[J]。中国信息处理杂志，2022，36（3）：146-153。
[22]XU L，BING L，LU W，et al.具有方面特定意见的方面情感分类[C]//《2020年自然语言处理实证方法会议论文集》，2020年。
[23]SONG Y，WANG J，TAO J，et al.用于目标情绪分类的注意力编码器网络[J]。arXiv:1902年。
09314, 2019.
[24] 王娅丽, 张凡, 余增, 等. 基于交互注意力和图卷积网络的方面级情感分析[J] ●●●●。计算机科学, 2023, 50(4): 196-203.
王永乐，张峰，于泽，等.基于交互注意和图卷积网络的方面级情感分类[J]。计算机科学，2023，50（4）：196-203。

基于位置增强词向量和GRU-CNN（美国有线电视新闻网）的方面级情感分析模型研究

基于位置增强词嵌入和GRU-CNN模型的体层情感分析

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

第二次会议

韵律学

[1]	廉露, 田启川, 谭润, 张晓行.基于神经网络的图像风格迁移研究进展[J] ●●●●。计算机工程与应用, 2024, 60(9): 30-47.
[2]	史涛, 崔杰, 李松.优化改进YOLOv8公司实现实时无人机车辆检测的算法[J] ●●●●。计算机工程与应用, 2024, 60(9): 79-89.
[3]	窦智, 高浩然, 刘国奇, 常宝方.轻量化YOLOv8公司的小样本钢板缺陷检测算法[J] ●●●●。计算机工程与应用, 2024, 60(9): 90-100.
[4]	蔡腾, 陈慈发, 董方敏.结合变压器和动态特征融合的低照度目标检测[J] ●●●●。计算机工程与应用, 2024, 60(9): 135-141.
[5]	许智宏, 张天润, 王利琴, 董永峰.融合图谱重构的时序知识图谱推理[J] ●●●●。计算机工程与应用, 2024, 60(9): 181-187.
[6]	杨文涛, 雷雨琦, 李星月, 郑天成.融合汉字输入法的BERT（误码率）与BLCG公司的长文本分类研究[J] ●●●●。计算机工程与应用, 2024, 60(9): 196-202.
[7]	朱静、朱、静、朱、静。多层级信息增强异构图的篇章级话题分割模型[J] ●●●●。计算机工程与应用, 2024, 60(9): 203-211.
[8]	江结林, 朱永伟, 许小龙, 崔燕, 赵英男.混合特征及多头注意力的中文短文本分类[J] ●●●●。计算机工程与应用, 2024, 60(9): 237-243.
[9]	李钟华, 林初俊, 朱恒亮, 廖诗宇, 白云起.基于结构感知和全局上下文信息的小目标检测[J] ●●●●。计算机工程与应用, 2024, 60(9): 292-298.
[10]	邓希泉, 陈刚.卷曲：基于卷积胶囊网络的医学图像分割模型[J] ●●●●。计算机工程与应用, 2024, 60(8): 258-266.
[11]	王永贵, 王芯茹.融合自注意力和图卷积的多视图群组推荐[J] ●●●●。计算机工程与应用, 2024年，60（8）：287-295。
[12]	孙石磊, 李明, 刘静, 马金刚, 陈天真.深度学习在糖尿病视网膜病变分类领域的研究进展[J] ●●●●。计算机工程与应用, 2024, 60(8): 16-30.
[13]	你好，你好。基于深度学习的图像中无人机与飞鸟检测研究综述[J] ●●●●。计算机工程与应用, 2024, 60(8): 46-55.
[14]	郭金, 宋廷强, 孙媛媛, 巩传江, 刘亚林, 马兴录, 范海生.改进深标签v3+的双注意力融合作物分类方法[J] ●●●●。计算机工程与应用, 2024, 60(8): 110-120.
[15]	宋世林, 张学军.脑电信号多特征融合与卷积神经网络算法研究[J] ●●●●。计算机工程与应用, 2024年，60（8）：148-155。