kaiyun官方注册
您所在的位置: 首页> 其他> 设计应用> 融合位置信息的卷积门控网络实现与应用
融合位置信息的卷积门控网络实现与应用
2020年信息技术与网络安全第1期
时昭丽,范红,陈佳伟,董亚博,张子薇,许武军
(东华大学 信息科学与技术学院,上海 201620)
摘要:基于方面的情感分析(AspectBased Sentiment Analysis)通常使用长短期记忆网络和注意力机制方法,这两种模型结构复杂,运行时间长。现有的卷积神经网络结构简单,具有代表性的是GCAE(Gated Convolutional Networks with Aspect Embedding)模型。但其由于未充分地利用词语的顺序信息,不能准确快速地关注到关键词。因此提出了一种融合位置信息的卷积门控网络方法。采用SemEval数据集进行实验,并与采用GCAE模型的实验结果进行对比,结果表明,所提模型迭代一次约用时5.96 s,优于长短期记忆模型的81 s。该模型对句子中有多个方面的情感极性判断准确度为55.00%,高于GCAE模型的53.00%。该研究对于提高基于方面的情感分析的迭代时间和准确度有一定的参考意义。
中图分类号:TP391
文献标识码:A
DOI:10.19358/j.issn.2096-5133.2020.01.013
引用格式:时昭丽,范红,陈佳伟,等。融合位置信息的卷积门控网络实现与应用[J]。信息技术与网络安全,2020,39(1):70-73.
Implementation and application of convolution gating network model combined with position information
Shi Zhaoli,Fan Hong,Chen Jiawei,Dong Yabo,Zhang Ziwei,Xu Wujun
(College of Information Science and Technology, Donghua University,Shanghai 201620,China)
Abstract:Aspectbased sentiment analysis usually uses longshortterm network and the attention mechanism method,the two models are complicated in structure and long time in running time.The existing convolutional neural network has a simple structure,and is representative of a GCAE (Gated Convolutional Networks with Aspect Embedding) model.Since the position information of the words does not fully utilized,the keywords cannot be accurately and quickly focused.Therefore,this paper proposed a convolutional gating network method that combines position information.The SemEval dataset was used for experiments and compared with the experimental results using the GCAE model.The results show that the iteration time of this model is about 5.96 s,which is better than the LSTM model of 81 s. The accuracy of this model for multiple aspects of sentences and multiple emotional polarity is 55.00%, which is higher than 53.00% of the GCAE model.This paper has certain reference significance for improving the iterative time and accuracy of aspectbased sentiment analysis.
Key words :aspect-based sentiment analysis;position information;convolutional neural network; gating mechanism

0 引言

  情感分析分为基于句子的情感分析和基于方面的情感分析。如“这家餐厅菜品好吃,但交通不便利”,文本的实体为“这家餐厅”,分别对“菜品”和“交通”两个方面进行褒贬不一的评论。若判断整个句子的情感极性为积极、消极或中立显然是不精准的,因此关注方面情感更为重要。基于方面的情感分析前期主要采用基于机器学习的利用情感词典的特征构建分类器[1],其主要依赖人工规则和特征工程,且耗时成本高。近年来神经网络在方面情感分析中得到广泛使用,文献[2]提出一种用于方面相关的自适应递归神经网络,但是其依赖语境和句法结构预测方面的情感极性。长短期记忆模型[3]能解决长距离依赖的问题,文献[4]改进了该模型,引入树结构长短期记忆模型,准确度有所提升,但模型训练时间长。文献[5]提出应用注意力机制方法实现对方面词周围情感词的关注,但注意力机制不能捕捉序列的顺序,且注意力层涉及指数操作和句子中所有单词的所有对齐分数的标准化,所需计算时间长。文献[6]将注意力机制、长短期记忆网络和位置信息相结合,建立情感分析模型,但当一个句子中含有多个方面以及多个方面的情感词时,其判断可靠性一般,训练时间相比长短期记忆网络更长。文献[7]提出GCAE模型,其改善了系统的性能,提高了情感极性的预测准确度,但忽略了位置信息的重要性。





本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003120





作者信息:

时昭丽,范红,陈佳伟,董亚博,张子薇,许武军

(东华大学 信息科学与技术学院,上海 201620)


此内容为AET网站原创,未经授权禁止转载。
Baidu
map