结合自注意力机制和Tree-LSTM的情感分析模型

摘要：

情感分析随着人工智能的发展而逐渐受到重视,微博情感分析旨在研究用户对于社会热点事件的情感倾向,研究表明深度学习在情感分析上具有可行性.针对传统循环神经网络模型存在信息记忆丢失、忽略上下文非连续词之间的相关性和梯度弥散的问题,为此本文结合自注意机制和Tree-LSTM模型,并且在Tree-LSTM模型的输出端引入了Maxout神经元,基于以上两种改进基础上构建了SAtt-TLSTM-M模型.实验使用COAE2014评测数据集进行情感分析,实验结果表明:本文提出的模型相比于传统的SVM、MNB和LSTM模型准确率分别提高了16. 18% 、15. 34和12. 05% ,其中引入了Maxout神经元的RMNN模型相对于LSTM模型准确率提高了4. 10% ,引入自注意力机制之后的Self-Attention+Tree-LSTM模型相比于Tree-LSTM模型准确率提高了1. 85% ,并在召回率和F值两项指标上均优于其他对比模型.由此证明,本文提出的SAtt-TLSTM-M模型可用于提高情感分析的准确率,具有一定的研究价值.

关键词：微博情感分析、自注意力机制、Tree-LSTM模型、Maxout神经元

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

资助基金：河南省高等学校重点科研项目16A520027

在线出版日期：2019-07-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1486-1490