论文部分内容阅读
随着互联网的逐渐普及与高速发展,网络给人们的生活带来了极大方便的同时,人们也开始热衷于在网上发表意见和评价,这些内容背后所蕴含的情感信息有着非常重要的意义。针对上述现象,开发人员开始使用情感分析技术的方法来捕捉信息中所蕴含的潜在情感,本文是从提高情感分析的准确率入手,对现阶段在情感分析的研究领域中应用极其广泛的模型进行改进与融合,从而得到新的情感分析模型,并通过实验来证明本文提出的情感分析模型的有效性以及优越性。具体研究内容如下:(1)通过对卷积神经网络(CNN,Convolutional Neural Network)和长短期记忆网络(LSTM,Long Short-Terrm Memory Network)进行融合,构建出新的卷积-长短期记忆网络(CNN-LSTM)情感分析模型。其工作原理是先将词向量作为特征向量传入并通过卷积神经网络模型将传入的特征向量进行特征提取操作,再以序列化的形式将特征传入长短期记忆网络模型进行特征的二次提取,以此来提高情感分析的准确率。运用PyTorch深度学习框架构建卷积-长短期记忆网络模型并进行实验,将结果与传统的卷积神经网络模型以及长短期记忆网络模型进行实验对比分析。实验过程中还使用随机初始化词向量与使用预训练的词向量作对比,结果表明,结合预训练词向量后,本文提出的卷积-长短期记忆网络情感分析模型比传统的卷积神经网络模型以及长短期记忆网络模型的效果都要突出。(2)使用双向长短期记忆网络(BiLSTM,Bidirectional Long Short-Term Memory Network)代替长短期记忆网络与卷积神经网络进行融合,构建出另一种新的情感分析模型——卷积-双向长短期记忆网络(CNN-BiLSTM),以便更准确对情感要素进行抽取,得到更高的情感分析准确率。在同样的实验环境和同样结合了预训练词向量的前提下,通过实验对比卷积神经网络模型、长短期记忆网络模型、双向长短期记忆网络模型、卷积-长短期记忆网络模型和卷积-双向长短期记忆网络模型发现,结合了预训练词向量的卷积-双向长短期记忆网络模型在本次实验中表现更佳。