ELMo-CNN-BiGRU双通道文本情感分类模型

摘要：

文本情感分类通过对带有情感色彩的主观性文本进行分析和推理,帮助用户更好地做出判断与决策.针对传统情感分类模型难以根据上下文信息调整词向量的问题,提出一种双通道文本情感分类模型.利用ELMo和Glove预训练模型分别生成动态和静态词向量,通过堆叠嵌入2种词向量生成输入向量.采用自注意力机制处理输入向量,计算内部的词依赖关系.构建融合卷积神经网络(CNN)和双向门控递归单元(BiGRU)的双通道神经网络结构,同时获取文本局部特征和全局特征.最终将双通道处理结果进行拼接,经过全连接层处理后输入分类器获得文本情感分类结果.实验结果表明,与同类情感分类模型中性能较优的H-BiGRU模型相比,ELMo-CNN-BiGRU模型在IMDB、yelp和sentimentl40数据集上的准确率和Fl值分别提升了 2.42、1.98、2.52和2.40、1.94、2.43个百分点,具有更好的短文本情感分类效果和稳定性.

关键词：文本情感分类、双通道、预训练模型、深度学习、自注意力机制

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;河北省自然科学基金;河北省自然科学基金;河北省高等学校科学技术研究重点项目

在线出版日期：2022-09-05（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：105-112