融合双重权重机制和图卷积神经网络的微博细粒度情感分类
利用深度学习模型和注意力机制对微博文本进行细粒度情感分类,已成为研究的热点,但是现有注意力机制只考虑单词对单词的影响,对单词本身的多种维度特性(如词义、词性、语义等特征信息)缺乏有效的融合.为了解决这个问题,文中提出了一种双重权重机制WDWM(Word and Dimension Weight Mechanism),并将其与基于解析依赖树的GCN模型相结合,通过选择每条微博中含有关键信息的单词,来抽取单词的重要维度特性,对单词的多种维度特性进行有效融合,从而捕获更加丰富的特征信息.在针对微博细粒度情感分类的实验中,融合双重权重机制和图卷积神经网络的微博细粒度情感分类模型(WDWM-GCN)的F测度达到了84.02％,比2020年提出的最新的算法高出1.7％,这进一步证明,WDWM-GCN能对单词的多维度特性进行有效的融合,能够捕获丰富的特征信息.在对搜狗新闻数据集进行分类的实验中,BERT模型在加入WDWM后,其分类效果得到了进一步提升,这充分证明WDWM对所提分类模型有明显的改进效果.
细粒度情感分类;双重权重机制;注意力机制;图卷积神经网络
49
TP391(计算技术、计算机技术)
国家自然科学基金;云南省软件工程重点实验室开放基金项目;云南省重大科技专项;材料基因工程-基于Metcloud的集成计算功能模块计算软件开发?;云南省稀贵金属材料基因工程-稀贵金属材料高通量集成计算和数据分析技术研发及示范应用;云南省稀贵金属材料基因工程-稀贵金属材料高通量集成计算和数据分析技术研发及示范应用
2022-03-22（万方平台首次上网日期，不代表论文的发表时间）
共9页
246-254
