基于CNNCIFG-Attention模型的文本情感分类.docx

文本情感分类是自然语言处理（NLP）领域的重要任务，主要目标是对含有主观情感的文本进行信息抽取和情感极性的划分。随着社交媒体和电子商务的繁荣，大量的产品评论和用户反馈产生了，这使得情感分析在市场分析、消费者行为研究等方面具有巨大价值。早期，支持向量机（SVM）和朴素贝叶斯（Naive Bayes）等传统机器学习算法被用来进行文本情感分类，但它们依赖于大量领域知识，并不适用于复杂文本。 深度学习的出现改变了这一局面，它能自动学习文本特征，尤其是卷积神经网络（CNN）。CNN最初应用于图像处理，但在NLP领域也展现出高效性，能够提取文本的局部特征。文献[5]证明了CNN在短文本情感分析中的适用性，而文献[6]利用CNN处理Twitter消息中的词组。尽管如此，CNN对上下文信息的捕捉仍有局限。 为了更好地理解上下文，长短期记忆网络（LSTM）被引入，文献[8]的CNN-LSTM模型在英文文本情感分类上表现优秀，而文献[9]提出的双重LSTM模型解决了LSTM的全面特征提取问题。文献[11]则引入了耦合输入和遗忘门网络模型（CIFG），结合CNN来学习文本情感信息，提升了分类性能。 Attention机制进一步改进了模型的表现，它可以聚焦于文本中的关键信息。文献[13]首次将细粒度Attention应用于机器翻译，文献[14]结合CNN、RNN和LSTM构建了层次化的分类模型，文献[15]的LSTM-CNN模型利用Attention识别社交文本中的不确定性信息。文献[16]表明，在中文微博情感分类任务中，RNN优于CNN，但RNN自身的梯度消失和爆炸问题需要解决，这也是LSTM和CIFG出现的原因。 CIFG网络简化了LSTM结构，减少了参数和计算复杂度。本文提出的CNNCIFG-Attention模型结合了CNN的局部特征提取、CIFG的上下文学习和Attention的权重分配，旨在更有效地关注关键情感短语，从而提升模型在大规模数据集上的性能。通过在京东购物评论和豆瓣影评数据集上的实验，评估了模型的准确率、召回率和F1分数，证实了该模型的有效性和实用性。