陳可嘉，鄭晶晶

(福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福建 福州 350116)

隨著移動(dòng)互聯(lián)網(wǎng)時(shí)代的到來，網(wǎng)上有大量富有情感的評(píng)論文本，如微博、知乎、豆瓣影評(píng)書評(píng)、各大購物網(wǎng)站的商品評(píng)價(jià)等，如何高效準(zhǔn)確地將這些文本的情感進(jìn)行分類，是當(dāng)今研究的熱點(diǎn)。學(xué)者們常用的文本情感分類的方法有：基于情感詞典的方法、基于機(jī)器學(xué)習(xí)的方法、基于深度學(xué)習(xí)的方法[1]。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的分支，無需人工進(jìn)行特征的提取和構(gòu)建，彌補(bǔ)了機(jī)器學(xué)習(xí)的不足，因此深度學(xué)習(xí)成為近幾年文本情感分類的熱門方法[2]。常用于解決文本情感分類的深度學(xué)習(xí)模型有：卷積神經(jīng)網(wǎng)絡(luò)[3]、循環(huán)神經(jīng)網(wǎng)絡(luò)[4]、長短期記憶(long short-term memory, LSTM)神經(jīng)網(wǎng)絡(luò)[5]等。

為了能夠提高文本情感分類的準(zhǔn)確率，減少對(duì)情感分類過程中人為的干預(yù)。筆者提出改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)模型，該模型可彌補(bǔ)機(jī)器學(xué)習(xí)方法的不足，并對(duì)現(xiàn)有的深度學(xué)習(xí)模型進(jìn)行改進(jìn)，融合卷積神經(jīng)網(wǎng)絡(luò)局部特征提取的優(yōu)勢(shì)和雙向長短期神經(jīng)網(wǎng)絡(luò)上下文全局特征提取的優(yōu)勢(shì)，并在池化層進(jìn)行動(dòng)態(tài)池化處理，以提取更多的顯著特征，進(jìn)而提高文本情感分類的準(zhǔn)確率。

1 情感分類模型

不同方法下相關(guān)文獻(xiàn)及改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)模型的貢獻(xiàn)和研究重點(diǎn)如表1所示，利用改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行文本情感分類的步驟如圖1所示。首先要將文本進(jìn)行數(shù)據(jù)預(yù)處理，將文本處理成神經(jīng)網(wǎng)絡(luò)能夠理解的詞向量矩陣，然后將形成的詞向量矩陣輸入到改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)中，最終通過對(duì)模型的訓(xùn)練，得到文本情感分類模型。

1.1 數(shù)據(jù)預(yù)處理

對(duì)于文本而言，神經(jīng)網(wǎng)絡(luò)是無法直接識(shí)別的，因此需要將文本數(shù)據(jù)映射為多維的實(shí)數(shù)向量，即文本向量化。數(shù)據(jù)預(yù)處理包括以下3個(gè)步驟。

(1)分詞。中文文本沒有明顯的詞語之間的分界符，因而在詞語層面的分割上，中文文本比英文文本要難。是否能夠準(zhǔn)確地對(duì)文本進(jìn)行分詞，對(duì)文本情感分類的準(zhǔn)確性有重要的影響。“結(jié)巴”中文分詞是一個(gè)Python中文分詞庫，支持繁體分詞和自定義詞典，選擇該方法能夠較為精確地將句子進(jìn)行分詞。

(2)詞語向量化。詞的分布式表示具有非常強(qiáng)大的表征能力，可以將每個(gè)詞語之間的相似度用空間向量表示出來。所謂詞語向量化就是將詞語處理成分布式詞向量的形式。目前比較主流的形成分布式詞向量的方式是Word2Vec。結(jié)合各大中文語料庫，利用Word2Vec相關(guān)技術(shù)，可以得到詞向量模型，之后將經(jīng)過分詞的詞語輸入到該詞向量模型中，從而獲得每個(gè)詞的詞向量。

表1 不同方法下相關(guān)文獻(xiàn)及改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)模型的貢獻(xiàn)和研究重點(diǎn)

圖1 基于改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)的文本情感分類步驟

(3)生成詞向量矩陣。一段文本經(jīng)過分詞，并詞向量化后，會(huì)形成一個(gè)N×m的詞向量矩陣。其中，N表示文本分詞后詞語的個(gè)數(shù)，m表示詞向量的維度。由于每個(gè)文本生成的詞向量個(gè)數(shù)不同，故將文本轉(zhuǎn)換為詞向量矩陣之后，每個(gè)文本對(duì)應(yīng)的詞向量矩陣大小也不同。為了方便模型的訓(xùn)練需要把每個(gè)文本生成的詞向量矩陣大小標(biāo)準(zhǔn)化，使得所有文本生成詞向量矩陣的大小是相同的，處理方式:n=avgN+2×stdN。其中，n為詞向量矩陣大小標(biāo)準(zhǔn)化后含有詞語的個(gè)數(shù);avgN為所有文本分詞后詞語個(gè)數(shù)n*的平均值；stdN為所有文本分詞后詞語個(gè)數(shù)n*的標(biāo)準(zhǔn)差。

然后對(duì)文本生成的詞向量矩陣進(jìn)行處理，大小不足的前面填充0，超長的進(jìn)行修剪。這樣獲取的n×m詞向量矩陣可以涵蓋95%的樣本。

1.2 改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)可以通過局部連接、權(quán)值共享、下采樣來減少參數(shù)的使用，提升模型的魯棒性(robusrness)，其基本實(shí)現(xiàn)步驟分為輸入層、卷積層、池化層和分類器層。卷積神經(jīng)網(wǎng)絡(luò)在文本情感分類任務(wù)上可以快速挖取對(duì)情感分類有利的局部特征詞語，然而如果單獨(dú)使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行文本的情感分類，就容易忽略文本上下文之間的時(shí)序問題，對(duì)分類結(jié)果產(chǎn)生一定的影響。

雙向長短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)由前向LSTM神經(jīng)網(wǎng)絡(luò)與后向LSTM神經(jīng)網(wǎng)絡(luò)組合而成。兩者在自然語言處理任務(wù)中常被用來建模上下文信息，通過雙向LSTM神經(jīng)網(wǎng)絡(luò)可以更好地捕捉雙向的語義依賴。因此，筆者使用雙向LSTM神經(jīng)網(wǎng)絡(luò)作為模型的一部分，從而彌補(bǔ)卷積神經(jīng)網(wǎng)絡(luò)的不足。

將卷積神經(jīng)網(wǎng)絡(luò)獲取局部信息特征的功能和雙向LSTM神經(jīng)網(wǎng)絡(luò)獲取全文信息特征的功能結(jié)合起來，形成改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)，進(jìn)而提高文本特征的提取能力。改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)步驟如圖2所示。

圖2 改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)步驟

(1)輸入層。輸入層后是兩個(gè)不同的并行神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)和雙向LSTM神經(jīng)網(wǎng)絡(luò)要求的輸入數(shù)據(jù)維度不同：卷積神經(jīng)網(wǎng)絡(luò)要求一個(gè)三維的輸入，而雙向LSTM神經(jīng)網(wǎng)絡(luò)要求一個(gè)二維的輸入。文本進(jìn)行數(shù)據(jù)預(yù)處理后生成的是二維矩陣，因此需要利用reshape函數(shù)調(diào)整詞向量矩陣的維數(shù)。

(2)卷積層。將文本以詞向量矩陣Rn×m的形式作為輸入，其中n為詞向量矩陣大小標(biāo)準(zhǔn)化后所含詞語的個(gè)數(shù)，m為詞向量的維度，xi∈Rn×m(i≤n)表示詞向量矩陣中第i個(gè)詞的詞向量。xi:j=xi⊕xi+1⊕…⊕xj，表示在詞向量個(gè)數(shù)為n的句子中第i個(gè)詞語到j(luò)個(gè)詞語的詞向量的拼接。卷積過程的基本步驟如下：①參數(shù)設(shè)置。卷積層是卷積神經(jīng)網(wǎng)絡(luò)的重要部分，卷積核高度的選取對(duì)模型的分類準(zhǔn)確率有很大的影響。卷積過程中組合使用不同高度的卷積核分別對(duì)詞向量矩陣進(jìn)行卷積，可以增加文本特征提取的多樣性，獲取更多的語義，進(jìn)而提高文本情感分類的準(zhǔn)確率。因此卷積核高度h、不同高度的卷積核的組合種類d、卷積核的數(shù)量q(筆者將不同高度的卷積核數(shù)量都設(shè)置為q，即若有3種不同高度的卷積核存在，那么總的卷積核數(shù)量為3q)都會(huì)影響模型的訓(xùn)練效果，需要通過實(shí)驗(yàn)獲取這些參數(shù)的最佳值。②卷積運(yùn)算及特征圖獲取。特征圖中的一個(gè)特征點(diǎn)ci，是由卷積核在高度為h的窗口xi:i+h-1經(jīng)過卷積運(yùn)算后得到的結(jié)果，即ci=f(w·xi:i+h-1+b)，其中b為偏置項(xiàng)，f為非線性激活函數(shù)。

卷積核每移動(dòng)一步，對(duì)整個(gè)輸入矩陣xi:j逐個(gè)窗口{x1:h,x2:h+1,…,xn-h+1:n}進(jìn)行卷積，輸出得到特征圖c=[c1,c2,…,cn-h+1]。因此使用卷積核數(shù)量為q、大小為h×m的卷積核對(duì)輸入的詞向量矩陣進(jìn)行卷積后，得到的特征圖大小為(n-h+1)×1×q。

(3)動(dòng)態(tài)k-max池化層。池化層的作用是對(duì)卷積得到的特征進(jìn)行采樣。最常用的池化策略有兩種：最大池化和平均池化。最大池化能夠提取池化窗口中最顯著的特征，因此可以刻畫整個(gè)句子的某些含義，對(duì)于預(yù)測(cè)分類更有意義。然而使用最大池化策略會(huì)導(dǎo)致某些同樣重要的信息丟失，筆者提出動(dòng)態(tài)k-max池化策略來彌補(bǔ)最大池化的缺陷。所謂動(dòng)態(tài)k-max是指不同大小的特征圖，最大池化后提取的特征數(shù)k是不同的。卷積核的高度越低，特征圖就會(huì)越大。對(duì)于較大的特征圖，在采樣過程中可以考慮更多的采集特征，這樣可以保留更多有用的信息，此時(shí)可以將池化窗口設(shè)置得小一點(diǎn)，以便提取更多的特征。

(4)時(shí)序?qū)?。將雙向LSTM神經(jīng)網(wǎng)絡(luò)作為時(shí)序?qū)?，獲取上下時(shí)序信息。利用輸入門、記憶門、輸出門決定哪些信息需要遺忘、哪些信息需要記憶、哪些信息作為輸出，進(jìn)而對(duì)記憶單元進(jìn)行狀態(tài)維護(hù)。將前向傳遞的最后一個(gè)輸出向量和后向傳遞最后一個(gè)輸出向量進(jìn)行拼接并作為最后的特征獲取，輸入分類器層。

雙向LSTM神經(jīng)網(wǎng)絡(luò)隱藏層的單元數(shù)量設(shè)置，是影響實(shí)驗(yàn)結(jié)果的一個(gè)重要參數(shù)。當(dāng)雙向LSTM神經(jīng)網(wǎng)絡(luò)隱藏層單元數(shù)量設(shè)置為a時(shí)，則時(shí)序?qū)虞敵鎏卣鲌D大小為n×2a。

1.3 模型訓(xùn)練

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

目前文本情感分析語料大多采用英文語料，筆者研究的是中文文本情感挖掘問題，因而采用中科院譚松波博士公布的中文酒店評(píng)論ChnSentiCorp-Htl-ba-6000作為數(shù)據(jù)來源[16]，其中包含正面評(píng)論和負(fù)面評(píng)論各3 000條，并進(jìn)行10折交叉驗(yàn)證。ChnSentiCorp 數(shù)據(jù)集樣例如表2所示。

表2 ChnSentiCorp 數(shù)據(jù)集樣例

2.2 數(shù)據(jù)預(yù)處理

(1)分詞。對(duì)于一段文本，首先去掉每個(gè)樣本的標(biāo)點(diǎn)符號(hào)，然后用“結(jié)巴”中文分詞將所有文本數(shù)據(jù)進(jìn)行分詞，得到的相關(guān)統(tǒng)計(jì)數(shù)值如表3所示。

表3 分詞后評(píng)論文本的相關(guān)數(shù)值統(tǒng)計(jì)情況

(2)詞語向量化。筆者使用北京師范大學(xué)中文信息處理研究所與中國人民大學(xué)DBIIR實(shí)驗(yàn)室的開源“chinese-word-vectors”中知乎Word+Ngram的詞向量模型，該詞向量模型是由Word2Vec中Skip-Gram算法結(jié)合知乎問答的中文語料訓(xùn)練得到的。將經(jīng)過分詞后的詞語輸入到詞向量模型中，可以生成300維的詞向量。

(3)生成詞向量矩陣。根據(jù)數(shù)據(jù)集分詞后的統(tǒng)計(jì)結(jié)果，計(jì)算得到詞向量矩陣大小標(biāo)準(zhǔn)化后詞向量個(gè)數(shù)n=244。因而,每條評(píng)論數(shù)據(jù)經(jīng)過預(yù)處理后都會(huì)生成大小為244×300的詞向量矩陣。

2.3 改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)

2.3.1 輸入層

將6 000個(gè)大小為244×300的詞向量矩陣作為改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)的輸入，且根據(jù)不同神經(jīng)網(wǎng)絡(luò)的需求調(diào)整輸入的詞向量矩陣的維度，調(diào)整后的矩陣如表4所示。

表4 調(diào)整維度后不同神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的輸入矩陣

2.3.2 卷積層

(1)參數(shù)設(shè)置。首先使用單一高度的卷積核，根據(jù)卷積核高度的不同，對(duì)比改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)模型分類準(zhǔn)確率的變化情況，如圖3所示，可以看出當(dāng)卷積核高度低于2時(shí)，會(huì)出現(xiàn)分類準(zhǔn)確率低于80%的情況；而當(dāng)卷積核高度達(dá)到4時(shí),分類準(zhǔn)確率出現(xiàn)最大值，之后就開始下降。

圖3 不同卷積核高度的分類準(zhǔn)確率

組合不同高度的卷積核對(duì)詞向量矩陣進(jìn)行卷積，有利于提升模型的效果。而從單一高度的卷積核實(shí)驗(yàn)結(jié)果中可以發(fā)現(xiàn)，卷積核高度處于2～10之間都能取得較好的效果。因此開展進(jìn)一步實(shí)驗(yàn)，將高度在2～10之間的卷積核進(jìn)行5組組合實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖4所示，可知當(dāng)卷積核組合高度為(2，3，4)時(shí)，模型的分類效果最好。因此在接下來的對(duì)比實(shí)驗(yàn)中，將卷積核的組合高度設(shè)置為(2，3，4)，即卷積核大小分別為2×300、3×300、4×300。

圖4 不同卷積核組合高度的實(shí)驗(yàn)結(jié)果對(duì)比

卷積核數(shù)量的不同對(duì)模型分類準(zhǔn)確率也有一定影響，因此筆者做了關(guān)于卷積核數(shù)量對(duì)模型分類準(zhǔn)確率影響的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5所示，可以看出卷積核的數(shù)量越多，模型分類準(zhǔn)確率越高。然而在實(shí)際訓(xùn)練過程中，當(dāng)卷積核數(shù)量達(dá)到512個(gè)時(shí)，雖然分類準(zhǔn)確率仍有較小的提高，但是模型的訓(xùn)練速度卻大大下降，因而將卷積核的數(shù)量設(shè)置為256，即大小為2×300、3×300、4×300的卷積核各256個(gè)。

圖5 不同卷積核數(shù)量的分類準(zhǔn)確率

(2)卷積運(yùn)算及特征圖獲取。對(duì)大小為244×300×1詞向量矩陣，分別使用3種不同大小的卷積核各256個(gè)來獲取特征圖，并選取Relu作為非線性激活函數(shù)。經(jīng)過卷積運(yùn)算后分別得到不同大小的特征圖，如表5所示。

表5 不同大小的卷積核經(jīng)卷積運(yùn)算的特征圖結(jié)果

2.3.3 動(dòng)態(tài)k-max池化層

對(duì)于不同大小的卷積核，卷積后的特征圖大小不同，因此在池化層分別對(duì)應(yīng)著不同的k值和池化窗口高度L，經(jīng)過動(dòng)態(tài)池化運(yùn)算后生成的特征圖大小也不同，具體結(jié)果如表6所示。

表6 不同高度的卷積核對(duì)應(yīng)的池化結(jié)果

2.3.4 時(shí)序?qū)?/p>

通過實(shí)驗(yàn)分析雙向LSTM神經(jīng)網(wǎng)絡(luò)隱藏層的單元數(shù)量對(duì)卷積記憶神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率的影響，進(jìn)而選擇合適數(shù)量作為進(jìn)一步對(duì)比實(shí)驗(yàn)的參數(shù)，實(shí)驗(yàn)結(jié)果如圖6所示，可知當(dāng)隱藏層單元數(shù)量達(dá)到16個(gè)時(shí)，分類準(zhǔn)確率最高，之后隨著單元數(shù)量的增加分類準(zhǔn)確率下降，因此筆者將雙向LSTM神經(jīng)網(wǎng)絡(luò)隱藏層的單元數(shù)量設(shè)置為16，進(jìn)而時(shí)序?qū)虞敵鎏卣鲌D大小為244×32。

圖6 不同雙向LSTM隱藏層單元數(shù)量的分類準(zhǔn)確率

2.3.5 分類器層

將池化層獲取的3個(gè)局部特征圖和時(shí)序?qū)荧@取的文本上下文時(shí)序特征圖進(jìn)行拼接，最后轉(zhuǎn)化為列向量，拼接流程圖如圖7所示，將拼接后的引向量輸入到分類器層，選擇softmax作為分類函數(shù)。

圖7 拼接流程圖

2.4 模型訓(xùn)練結(jié)果對(duì)比

目前大多數(shù)研究采用準(zhǔn)確率(accuracy)、精確度(precision)、召回率(recall)、F1測(cè)度(F1-measure)作為情感分類實(shí)驗(yàn)的模型性能評(píng)價(jià)指標(biāo)。

(1)

(2)

(3)

(4)

式中：TP表示實(shí)際為正面評(píng)論、預(yù)測(cè)也為正面評(píng)論的樣本數(shù)量；FN表示實(shí)際為正面評(píng)論、預(yù)測(cè)為負(fù)面評(píng)論的樣本數(shù)量；TN表示實(shí)際為負(fù)面評(píng)論、預(yù)測(cè)也為負(fù)面評(píng)論的樣本數(shù)量；FP表示實(shí)際為負(fù)面評(píng)論、預(yù)測(cè)為正面評(píng)論的樣本數(shù)量。

筆者通過實(shí)驗(yàn)對(duì)比卷積神經(jīng)網(wǎng)絡(luò)、雙向LSTM神經(jīng)網(wǎng)絡(luò)、卷積記憶神經(jīng)網(wǎng)絡(luò)、改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)這4個(gè)模型的性能，4種模型都在中科院譚松波博士公布的中文酒店評(píng)論ChnSentiCorp-Htl-ba-6000數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。4種模型分類準(zhǔn)確率對(duì)比曲線如圖8所示，顯示了各模型迭代次數(shù)和分類準(zhǔn)確率，可以看出改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)在第6次迭代時(shí)就已經(jīng)開始收斂，并且分類準(zhǔn)確率達(dá)到92.41%；其他3種模型分別在第11次、第13次、第7次迭代開始收斂，但分類準(zhǔn)確率都不如改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)。這說明改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)模型在分類準(zhǔn)確率上優(yōu)于其他3種模型。

圖8 4種模型分類準(zhǔn)確率對(duì)比曲線

筆者進(jìn)一步實(shí)驗(yàn)，對(duì)比4種模型的準(zhǔn)確率、精確度、召回率、F1測(cè)度，模型分類結(jié)果如表7所示。由表7可知，改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確率、精確度、召回率、F1測(cè)度4方面都優(yōu)于其他3種方法。同時(shí)也對(duì)卷積神經(jīng)網(wǎng)絡(luò)、雙向LSTM神經(jīng)網(wǎng)絡(luò)、卷積記憶神經(jīng)網(wǎng)絡(luò)這3個(gè)模型在其相關(guān)文獻(xiàn)中的結(jié)果進(jìn)行了展示。由于相關(guān)文獻(xiàn)中使用的數(shù)據(jù)集的不同，因而實(shí)驗(yàn)結(jié)果與筆者實(shí)驗(yàn)結(jié)果存在差異。但總體來看，改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)的性能還是有較大的提升。這是因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)主要是對(duì)于局部特征的提取，雙向LSTM神經(jīng)網(wǎng)絡(luò)是對(duì)上下文特征的提取，而改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)結(jié)合了兩個(gè)模型的優(yōu)點(diǎn)，因此在性能上有很大的提升。同時(shí)，改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)對(duì)池化層進(jìn)行了動(dòng)態(tài)處理，保留了更多的顯著特征，使模型性能又進(jìn)一步提升。

表7 模型分類結(jié)果性能對(duì)比 %

3 結(jié)論

筆者針對(duì)文本情感分類問題，提出改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)模型，該模型通過融合卷積神經(jīng)網(wǎng)絡(luò)和雙向LSTM神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，并在池化層根據(jù)卷積核的大小動(dòng)態(tài)調(diào)整池化窗口的大小，以達(dá)到提取更多顯著特征的目的。此外，筆者利用中科院譚松波博士提供的6 000條帶有標(biāo)注的酒店評(píng)論數(shù)據(jù)集，進(jìn)行文本情感分類實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確率、精確度、召回率、F1測(cè)度4個(gè)性能評(píng)價(jià)指標(biāo)上都優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)、雙向LSTM神經(jīng)網(wǎng)絡(luò)、卷積記憶神經(jīng)網(wǎng)絡(luò)3個(gè)經(jīng)典的深度學(xué)習(xí)模型，而且收斂速度也快。因此，筆者提出的改進(jìn)的卷積記憶神經(jīng)網(wǎng)絡(luò)模型對(duì)文本情感分類問題具有一定的可行性和有效性。