文献类型：期刊文章

作　　者：王丽亚[1] 刘昌辉[1] 蔡敦波[1] 卢涛[1]

WANG Liya;LIU Changhui;CAI Dunbo;LU Tao(College of Computer Science and Engineering,Wuhan Institute of Technology, Wuhan Hubei 430205, China)

机构地区：[1]武汉工程大学计算机科学与工程学院

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(61103136,61502354);武汉工程大学教育创新计划项目(CX2018196)~~

年　　份：2019

卷　　号：39

期　　号：10

起止页码：2841-2846

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：传统卷积神经网络(CNN)中同层神经元之间信息不能互传,无法充分利用同一层次上的特征信息,缺乏句子体系特征的表示,从而限制了模型的特征学习能力,影响文本分类效果。针对这个问题,提出基于CNN-BiGRU联合网络引入注意力机制的模型,采用CNN-BiGRU联合网络进行特征学习。首先利用CNN提取深层次短语特征,然后利用双向门限循环神经网络(BiGRU)进行序列化信息学习以得到句子体系的特征和加强CNN池化层特征的联系,最后通过增加注意力机制对隐藏状态加权计算以完成有效特征筛选。在数据集上进行的多组对比实验结果表明,该方法取得了91.93%的F1值,有效地提高了文本分类的准确率,时间代价小,具有很好的应用能力。

关 键 词：卷积神经网络 双向门限循环神经网络  注意力机制  中文文本情感分析  

分 类 号：TP391.1]