在线学习情感分类模型研究

摘要：

本文结合Adadelta算法学习率自适应调整和Adam算法避免了训练后期频繁抖动的特点,提出了Adamdelta算法,解决了传统FTRL-Proximal在线学习算法学习率随着训练次数增加逐渐消失的问题.使用一阶和二阶矩估计进行偏差修正调整FTRL-Proximal算法学习率,再使用梯度下降求解模型权重参数,进而得到LR模型,并以此模型完成在线学习情感分类工作.为了验证改进算法的优越性,利用IMDB电影评论文本做实验数据,与5种模型进行对比分析.实验表明,改进算法具有更好的分类效果,有效的提高了分类器的准确率和召回率.

关键词：在线学习、学习率、梯度下降、情感分类

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：吉林省重大科技招标项目20170203004GX;吉林省产业技术研究与开发专项项目2016C090

在线出版日期：2019-12-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：102-108,115