|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于深度学习的短文本情感倾向分析综述显示文摘短文本情感倾向分析是自然语言处理领域的关键研究问题之一。情感倾向分析是用于检测语言所蕴含主观倾向语义的一系列方法、技术和工具,是对文本深层语义理解的关键。短文本数据的随意性、高歧义性以及简短性使得传统基于特征工程和机器学习分类技术的情感倾向分析任务性能有限。随着深度学习技术在自然语言处理中的广泛应用,基于深度学习的短文本情感倾向分析模型取得了新的突破。通过对相关文献的梳理,首先概述和对比了传统方法和深度学习方法,介绍和剖析了近年基于深度学习的短文本情感倾向分析模型,并阐述了模型的联系、区别与优势;其次归纳了深度学习在短文本情感倾向分析中的研究热点和进展思路,介绍了情感倾向分析常用的公开数据集以及评价指标;最后结合深度学习技术特点和任务难点,对深度学习在短文本情感倾向分析方向的应用前景进行预测。 | 汤凌燕 熊聪聪 王嫄 周宇博 赵子健 | 2021 | 计算机科学与探索2021，15，5： | 17 |
| 2 | 融合主题模型与自注意力机制的短文本情感分析方法显示文摘短文本信息被越来越多的商业分析所重视,企业能够从文本数据中挖掘出用户情感信息从而做出更有价值的商业决策。现有的文本分析模型对于特征模糊、数据稀疏的短文本数据难以准确挖掘上下文语境信息。针对该问题,提出了一种融合主题模型与自注意力机制的短文本情感分析方法。采用主题模型对稀疏文本进行特征扩展,输入Word2vec训练主题词向量,由双向长短期记忆网络(Bi-LSTM)挖掘短文本上下文特征,经过自注意力机制进行权重重分配,最后由Softmax得到情感极性的分类概率。通过该算法与多种常见模型进行对比实验,在情感判断准确率上优于其他模型。 | 陈莉媛 毋涛 | 2021 | 国外电子测量技术2021，40，11： | 3 |
| 3 | 基于TextRank和LDA的中文短文本分类研究显示文摘针对中文短文本词汇数量相对较少、特征稀疏、噪声多等特点,笔者提出一种基于TextRank和隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)的文本扩展方法。该方法首先通过TextRank算法从给定文本中获得各个候选的关键特征,然后利用LDA从给定文本中获取各个隐藏的主题特征,将概率超过或等于给定阈值的各个隐藏主题所对应的各个候选关键特征扩充到文本中进行文本扩展。 | 张兵磊 | 2021 | 信息与电脑2021，33，6： | 2 |
| 4 | 基于增量式模糊聚类算法的文本挖掘显示文摘针对传统模糊聚类算法需要预先确定初始隶属度矩阵的问题,该文提出了基于增量式模糊聚类算法(Incremental fuzzy clustering algorithm,FCLDA)的文本挖掘方法。首先根据文本集中关键词出现次数进行排序,优先选择出现次数多的关键词作为文本集的主题,然后利用隐含狄利克雷分布(Latent Dirichlet allocation,LDA)主题模型构建文档-主题概率分布组成矩阵,将该矩阵作模糊C均值聚类(FCM)算法的隶属度矩阵,并对隶属度矩阵的隶属度值增加一个权值,在FCLDA算法迭代过程中,采用模糊信息熵作为聚类数确定的标准,增加主题词,当模糊信息熵达到最小值时,聚类数确定下来,最后将FCLDA算法应用到网页的文本挖掘中,结果试验表明,相对于FCM算法和K最近邻(K-nearest neighbor)算法,FCLDA算法的运行聚类结果准确率更高,运行速度加快,更适合处理具有模糊性的文本。 | 耿新青 王正欧 | 2022 | 南京理工大学学报2022，46，5： | 1 |
| 5 | 双通道的BCBLA情感分类模型显示文摘针对传统情感分类模型的词向量表示无法解决多义词表征的问题,以及目前基于BERT的多通道情感分类模型研究较少的问题,提出了一种基于BERT的双通道情感分类模型BCBLA.该模型有BERT+CNN和BERT+BiLSTM-Attention两个通道,首先用预训练模型BERT获取融合文本语境的词向量表征;然后利用通道1的CNN网络增强对文本局部特征提取的能力和通道2的BiLSTM-Attention模型增强对长序列文本处理以及关键情感分类特征提取的能力;最后使用Softmax激励函数对通道1和通道2的融合特征进行分类.为了验证本文提出的模型的有效性,本文在中文谭松波酒店评论和英文Yelp Dataset Challenge两种数据集进行实验,设置了与当前流行的情感分类模型对比、减少通道后的模型对比和更换预训练模型后的对比等3种实验对比方式,最终实验结果表明,本文BCBLA模型在中文和英文两种数据集上测试结果中值分别取得了92.86%和95.55%的最佳效果. | 万俊杰 任丽佳 单鸿涛 孟金旭 贾仁祥 | 2023 | 小型微型计算机系统2023，44，5： | 1 |
| 6 | 基于注意力机制的生物医学文本分类模型显示文摘对生物医学文本进行准确分类,是促进医院信息化发展的一个重要途径。本研究提出一种基于注意力机制的双层次文本分类模型,用于对生物医学文本进行有效分类。该模型结合卷积神经网络与循环神经网络的优势,对用户输入的疾病文本进行特征提取。首先,在第一层次通过Bi-GRU通道与Bi-LSTM通道提取文本中的上下文关联信息,同时,为增强模型的特征提取能力,在该层次引入注意力机制。其次,将两个通道提取到的时序特征进行特征拼接,并将拼接后的结果传入第二层次,从而进一步提取文本的局部特征,最后利用分类器输出最终的分类结果。对生物医学文本进行分类性能评估,结果表明,与基线模型相比,该模型的分类准确率可达91.45%,具有显著的分类性能。 | 李启行 廖薇 | 2022 | 中国医学物理学杂志2022，39，4： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员