基于注意力并行双卷积模型的短文本情绪预测系统的设计与实现

发布时间：2021-04-13 15:24

　　移动互联网的升级换代和移动智能终端的快速普及,促进了人类生活的网络化,导致了大量用户评论信息的生成。通过对用户评论信息的分析,了解用户的情绪,对于商家了解市场走向、改善商品质量等有着巨大帮助。因此大量的研究者对文本情绪分析任务展开了研究,并取得了很多的成果。而在这些研究中,文本情绪分析其本质上是对文本信息的挖掘,这其中又以CNN（Convolutional Neural Network）模型和LSTM（Long Short Term Memory）模型最具代表,CNN擅长提取文本局部特征,LSTM擅长提取文本上下文语义特征,研究者们多使用两种模型相结合来充分提取文本特征（LSTM-CNN模型）。但该模型具有资源消耗严重、模型训练耗时严重的问题。论文在此基础上提出APDCNN（Attention Parallel Double Convolutional Neural Network）模型,并在此模型的基础上借用矩阵分解的思想构建情绪预测系统。APDCNN模型主要由两个部分组成,1D-CNN（1Dimension Convolutional Neural Network）和2D-CNN（... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

CNN模型整体结构图

华中科技大学硕士学位论文11图2-2传统CNN卷积层结构图由于卷积核的高度与词向量的维度是一致的，也就是说滑动窗口的移动对于词来说是一维的，因此Kim等人认为该卷积操作是一维的。但实际上针对整个数字矩阵来说，这个卷积操作是二维的，这一点通过Kim等人提供的开源代码也可以得到证实，如图2-3所示：图2-3传统CNN卷积层开源代码图从图2-3可以看到，卷积层使用的是conv2d这一库函数，该函数代表的就是二维卷积操作。对于卷积层来说，卷积操作实质上是原始矩阵元素与卷积核的加权求和，具体的计算如图2-4所示：

华中科技大学硕士学位论文11图2-2传统CNN卷积层结构图由于卷积核的高度与词向量的维度是一致的，也就是说滑动窗口的移动对于词来说是一维的，因此Kim等人认为该卷积操作是一维的。但实际上针对整个数字矩阵来说，这个卷积操作是二维的，这一点通过Kim等人提供的开源代码也可以得到证实，如图2-3所示：图2-3传统CNN卷积层开源代码图从图2-3可以看到，卷积层使用的是conv2d这一库函数，该函数代表的就是二维卷积操作。对于卷积层来说，卷积操作实质上是原始矩阵元素与卷积核的加权求和，具体的计算如图2-4所示：

【参考文献】：
期刊论文
[1]融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型[J]. 武婷,曹春萍.  计算机应用. 2019(08)
[2]文本情感分析方法研究综述[J]. 洪巍,李敏.  计算机工程与科学. 2019(04)
[3]基于并行混合神经网络模型的短文本情感分析[J]. 陈洁,邵志清,张欢欢,费佳慧.  计算机应用. 2019(08)
[4]融合情感与语义信息的情感分析方法[J]. 孟仕林,赵蕴龙,关东海,翟象平.  计算机应用. 2019(07)
[5]基于多注意力卷积神经网络的特定目标情感分析[J]. 梁斌,刘全,徐进,周倩,章鹏.  计算机研究与发展. 2017(08)
[6]一种基于联合深度神经网络的食品安全信息情感分类模型[J]. 刘金硕,张智.  计算机科学. 2016(12)
[7]基于双语词典的微博多类情感分析方法[J]. 栗雨晴,礼欣,韩煦,宋丹丹,廖乐健.  电子学报. 2016(09)
[8]基于CNN模型的高分辨率遥感图像目标识别[J]. 曲景影,孙显,高鑫.  国外电子测量技术. 2016(08)
[9]一种基于动态词典和三支决策的情感分析方法[J]. 周哲,商琳.  山东大学学报(工学版). 2015(01)
[10]基于词典与机器学习的中文微博情感分析研究[J]. 孙建旺,吕学强,张雷瀚.  计算机应用与软件. 2014(07)



本文编号：3135549