10.11772/j.issn.1001-9081.2018041289
基于CNN和BiLSTM网络特征融合的文本情感分析
卷积神经网络(CNN)和循环神经网络(RNN)在自然语言处理上得到广泛应用,但由于自然语言在结构上存在着前后依赖关系,仅依靠卷积神经网络实现文本分类将忽略词的上下文含义,且传统的循环神经网络存在梯度消失或梯度爆炸问题,限制了文本分类的准确率.为此,提出一种卷积神经网络和双向长短时记忆(BiLSTM)特征融合的模型,利用卷积神经网络提取文本向量的局部特征,利用BiISTM提取与文本上下文相关的全局特征,将两种互补模型提取的特征进行融合,解决了单卷积神经网络模型忽略词在上下文语义和语法信息的问题,也有效避免了传统循环神经网络梯度消失或梯度弥散问题.在两种数据集上进行对比实验,实验结果表明,所提特征融合模型有效提升了文本分类的准确率.
词向量、卷积神经网络、双向长短时记忆、特征融合、文本情感分析
38
TP391(计算技术、计算机技术)
国家自然科学基金资助项目61472095
2018-12-14(万方平台首次上网日期,不代表论文的发表时间)
共6页
3075-3080