利用位置增强注意力机制的属性级情感分类

• 作者: 张周彬 杨嘉林 梁俊葛 相艳 马磊
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 属性 情感分类 注意力机制 长短时记忆网络(LSTM) 位置信息
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 人工智能
• 页码范围: 619-627
• 页数: 9页
• 分类号: TP391.1
• 字数: 6085字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1904049

摘要

属性级情感分类旨在准确识别评论中属性的情感极性.现有的基于长短时记忆网络(LSTM)的方法大多只利用了属性和上下文的语义信息,而忽视了属性与上下文相对位置信息.针对此问题,提出一种利用相对位置信息来增强注意力的LSTM网络模型,解决属性级情感分类问题.首先,对上下文的输入层加入位置向量,利用两个LSTM网络对上下文和属性分别进行独立语义编码;然后,对上下文的隐藏层再次拼接位置向量,并利用属性隐藏层向量参与上下文不同词注意力权重的计算;最后,利用上下文生成的有效表示进行情感分类.该模型在SemEval 2014 Task4 Restaurant和Laptop两个不同领域数据集上进行了实验,在三分类实验中,准确率分别达到79.7％和72.1％.在二分类实验中,准确率分别达到92.1％和88.3％.相比多个基线模型,在准确率上都有一定的提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	相艳	昆明理工大学信息工程与自动化学院	36	92	5.0	8.0
2	马磊	昆明理工大学信息工程与自动化学院	47	127	6.0	9.0
6	梁俊葛	昆明理工大学信息工程与自动化学院	3	0	0.0	0.0
7	杨嘉林	昆明理工大学信息工程与自动化学院	6	10	2.0	3.0
8	张周彬	昆明理工大学信息工程与自动化学院	3	0	0.0	0.0