论文部分内容阅读
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(2Dimension Convolutional Neural Network)。1D-CNN是传统的CNN经过一系列的改进、并加入注意力机制而获得的更适合提取文本上下文语义特征的模型。2D-CNN则是使用二维卷积的传统CNN模型。两个模型并行提取文本特征,进而组成了APDCNN模型。在此基础上,论文利用APDCNN模型分析用户评论中反映的情绪,构建情绪倾向值矩阵,借用矩阵分解的思想,联合深度神经网络完成对情绪倾向值矩阵的分解,获得用户特征矩阵和物品特征矩阵,并利用两个矩阵计算用户对物品的预测情绪倾向值,达到情绪预测的目的。通过与CNN模型、LSTM模型、LSTM-CNN模型的对比实验,发现APDCNN模型的分类准确率和F1值等指标达到了90%左右,要比同等情况下的CNN模型高15%,LSTM模型高13%,LSTM-CNN模型高3%。同时APDCNN模型在同等情况下的训练时间是LSTM-CNN模型的十二分之一,要远小于LSTM-CNN模型,情绪预测系统的情绪预测结果也与实际结果大体一致。