摘要
短文本的情感分析用于判断文本的极性,传统的循环神经网络(RNN)无法解决长期依赖以及梯度消失等问题,引入长短期记忆(LSTM)就是在RNN的基础上,增加了对过去状态的过滤,从而选择哪些状态对当前更有影响,而不是简单的选择最近的状态.利用LSTM对句子建模存在无法处理双向的时间序列,通过Bi-LSTM能够更好的捕捉双向的语义依赖.首先对短文本进行单词的向量化表示,其次对提出短文本情感分析在融合多任务学习网络上,如何结合不同的深度学习网络进行归纳和探究;利用自注意力机制动态调整特征权重,自注意力机制可以减少外部参数的依赖,经过SoftMax分类器得到情感类别,让模型学到更多的文本自身上下文特征,模型的准确率、召回率、F1值分别提高了1.94％,1.04％,1.00％.
NETL
NSTL
万方数据