基于深度学习和注意力机制的微博情感分析.pdf
《基于深度学习和注意力机制的微博情感分析.pdf》由会员分享,可在线阅读,更多相关《基于深度学习和注意力机制的微博情感分析.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月南京师大学报(自然科学版)()收稿日期:.基金项目:国家自然科学青年基金项目()、河南省 年度科技厅科技攻关项目()、校级 应用基础研究与应用专项项目().通讯作者:隋栋博士后讲师研究方向:人工智能与大数据.:.:./.基于深度学习和注意力机制的微博情感分析周湘贞李 帅隋 栋(.郑州升达经贸管理学院信息工程学院河南 郑州)(.北京航空航天大学计算机学院北京)(.北京建筑大学电气与信息工程学院北京)摘要 为了提高微博情感分析的性能采用深度学习算法中的循环神经网络用于情感分类并采用注意力机制对词特征进行选择加权以增强循环神经网络的分类的准确率.首先将微博语料进行去噪、分词、向量
2、化等处理形成微博初始样本.然后构建循环神经网络的微博分类模型通过隐藏层节点循环并结合历史时刻及当前时刻隐藏层输出获得词特征向量.接着注意力机制用于词特征相似计算及选择加权构建句子特征并采用 函数获得分类结果.最后通过微博情感分类仿真测试验证了所提方法的可靠性.实验结果表明相比常用微博情感分类算法通过合理设置注意力机制窗口大小所提方法在不同词向量规模样本下均表现出更高的分类性能.关键词 微博情感深度学习循环神经网络注意力机制中图分类号 文献标志码 文章编号()(.)(.)(.):.:微博平台作为用户情感发布的重要平台之一蕴含大量的可用数据资源通过对微博数据资源的深度挖掘既可以分析出热点微博上升的
3、趋势又可以分析出某个话题的用户的情感类别等.微博情感分类作为微博数据管理的重要内容之一是近年来的研究热点通过对不规则程度高的海量微博数据进行清洗去噪、分词及向量化等处理构建可用于深度挖掘的标准样本格式然后通过分类方法和深度学习算法等对样本进行计算和训练从而获得各样本的情感类别最终实现微博的情感类别管南京师大学报(自然科学版)第 卷第 期(年)理.当前关于微博情感分类的研究较多.朱亚军等采用支持向量机()用于微博情感分类其在语料规范性强和类别较少的条件下分类效果较好但是应对不规则语料时分类准确率有待改进.冯媛媛等采用双向长短时记忆网络()用于多情感类别的分类并采用自注意力机制对样本特征进行筛选取
4、得了较高的分类准确率但没有分析不同词特征规模和不同注意力窗口大小的影响.与上述基于 或 的情感分类方法不同本文采用深度学习中的循环神经网络()算法作为分类器能够实现复杂多维特征提取并且能够适应大规模样本特征分析.此外本文还将注意力机制()引入到微博文本的词特征提取过程从而提出了基于 的微博情感分析方法.这是因为注意力机制在多种类型的样本特征分析中优势明显有助于提高对微博文本重点特征的分类训练准确度.实验结果表明本文所提方法有效提高了多类别微博文本的分类性能且稳定性高.注意力机制注意力机制旨在对重点特征的深度挖掘摒弃了非重点特征的无效训练.通过对重点特征的有效计算满足对特征挖掘的需求而滤出无效特
5、征训练降低运算复杂度.注意力机制主要是在查询()、关键字()和权重()三者之间进行运算下面对注意力机制进行数学描述.设系统 的总数为 先计算 与所有 之间的相似程度()()将相似结果记为得分()其计算方法因为所选模型的差异有所不同以下介绍 种模型的()计算方法.双线性:()()点积:()()缩放点积:()()式中 表示特征维度 表示线性变量.相比于双线性和点积缩放点积模型的计算复杂度有一定的增加但是模型的分辨率更高有利于提取对微博样本的词特征进行提取.因此本研究选择了缩放点积模型.设 表示第 个 的权重值其计算方式为:图 循环结构 ()().()根据 值计算注意力机制结果:().()本文所提方
6、法.循环神经网络 相比于普通神经网络主要差异体现在网络的输出 与历史输入和历史隐藏层输出有关通过历史输入对当前输出的影响较大限度地反映了历史数据特征对当前时间段的连续性影响.设 和 分别为输入及隐藏层输出核心结构如图.、和 均为权重图 中 时刻的输出与 和 周湘贞等:基于深度学习和注意力机制的微博情感分析均有关.根据实际需要还可以加大隐藏层循环规模往更前的历史时刻进行扩展这种时间叠加所带来的训练影响更能够保留训练样本的上下文信息从而获得更精确的训练结果这也正是 优于普通神经网络的原因.设 个样本()经过 的隐藏层后:()()式中和 分别表示所有样本点与隐藏层的连接权重系数及偏置.将()输入至转
7、换函数()后得:()().()由图 知 的 时刻输出 与 和 有关通过隐藏层激励()得到:()()式中是 时刻激励的偏置.()通过 函数获得输出:()()式中为输出偏置.关于 的、和 求解可以采用前向和反向迭代两种方式而前者是 特有其实现方法参照公式()后者是 的普遍求解方式.()()()()()()式()在迭代过程中滤除了常量 和 通过不断累积计算根据样本的输入与输出值则可以获得、和 值从而确定稳定的 结构.反向迭代主要通过不断缩小误差 值来实现可以通过样本 的实际值 与 训练的结果 得到:()().()隐藏层节点 与 之间的权重更新为:()()()式中 是学习率.根据()更新后获得节点 与
8、 之间的最新权重()值:()()().()隐藏层的偏置更新方法为:()()()式中 为偏置更新率.根据()获得最新偏置()值:()()()()计算误差和 的值:()()式中 表示输出节点总数.由于公式()在计算时滤出了偏置的迭代其主要计算都放在了、和 的求解上相当于前向迭代仅进行了 部分参数的更新.然而反向迭代需将 的所有参数都进行更新因此在求解模型参数的完整度方面后者胜于前者但反向求解的效率及复杂度明显高于前者在实际使用时按需求选择 参数求解方式.由于本研究中微博情感分类的主要目的是提升分类准确率因此采用了前向迭代方式.基于 的微博情感分析流程在微博情感分析中微博原始语料一般是由符号、图片、
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 注意力 机制 情感 分析
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。