亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于注意力交互機(jī)制的層次網(wǎng)絡(luò)情感分類

        2021-05-14 06:28:32楊春霞李欣栩吳佳君劉天宇
        關(guān)鍵詞:注意力向量分類

        楊春霞,李欣栩,吳佳君,劉天宇

        1.南京信息工程大學(xué) 自動(dòng)化學(xué)院,南京210044

        2.江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室,南京210044

        3.江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心,南京210044

        4.佳木斯市湯原縣氣象局,黑龍江 佳木斯154000

        近年來(lái)隨著互聯(lián)網(wǎng)的不斷發(fā)展,各大平臺(tái)充斥著大量用戶對(duì)商品的評(píng)論,通過(guò)閱讀和分析這些評(píng)論可以發(fā)現(xiàn)用戶對(duì)產(chǎn)品的情感傾向。對(duì)評(píng)論中的情感傾向進(jìn)行挖掘有助于用戶獲得個(gè)性化服務(wù),也有助于商家及時(shí)調(diào)整銷售策略。

        情感分類是推薦系統(tǒng)、數(shù)據(jù)挖掘等領(lǐng)域的一項(xiàng)重要任務(wù)[1-2]。本文研究?jī)?nèi)容是針對(duì)評(píng)論的文檔級(jí)情感分類,即假定每個(gè)文本均表達(dá)了用戶對(duì)單一產(chǎn)品的情感,預(yù)期目標(biāo)是確定評(píng)論的情感傾向。

        目前許多學(xué)者[3-5]基于深度學(xué)習(xí)的方法搭建了分類模型并針對(duì)不同場(chǎng)景得到了不錯(cuò)的效果,但是針對(duì)評(píng)論的文檔級(jí)情感分類任務(wù)為了提高分類效果,需要在通用的情感分類模型的基礎(chǔ)上考慮用戶數(shù)據(jù)和產(chǎn)品數(shù)據(jù)。Tang等[6]結(jié)合用戶信息和產(chǎn)品信息建模,證實(shí)相關(guān)數(shù)據(jù)的添加有助于提高模型效果。但是評(píng)論中包含詞粒度、句粒度和篇章粒度的文本信息,直接使用整條評(píng)論進(jìn)行建模不可避免地會(huì)丟失部分信息。文獻(xiàn)[7-8]將用戶和產(chǎn)品信息融入注意力層并使用多個(gè)特征提取層,通過(guò)獲取不同粒度的信息來(lái)提高模型效果,實(shí)驗(yàn)證明層次網(wǎng)絡(luò)具有更強(qiáng)大的特征提取能力,在建模過(guò)程中添加用戶數(shù)據(jù)和產(chǎn)品數(shù)據(jù)幫助分類也是很有必要的。然而現(xiàn)有的大多數(shù)模型將用戶信息和產(chǎn)品信息二者歸為一類進(jìn)行建模,但是在一條評(píng)論中,不同詞與用戶信息和產(chǎn)品信息的相關(guān)程度有所差異。例如,在評(píng)論“The bar is definitely good‘people watching’and i love the modern contemporary decor”中,“good”“modern”和“contemporary”主要描述產(chǎn)品特征,“l(fā)ove”主要描述用戶情感。情感分類的結(jié)果與相關(guān)描述詞高度相關(guān),所以在建模過(guò)程中添加用戶和產(chǎn)品信息來(lái)幫助提取描述詞是很有必要的。除此之外可以看出這些描述詞與用戶和產(chǎn)品的相關(guān)度有所區(qū)別,所以將用戶信息和產(chǎn)品信息二者歸為一類進(jìn)行建模是過(guò)于粗糙的。此外為了更好地利用用戶和產(chǎn)品信息,考慮到目前基于深度學(xué)習(xí)的分類模型在分類過(guò)程中通過(guò)逐步抽取較為重要的文本特征來(lái)提高分類效果,相似地,本文在抽取描述詞中較為重要特征的同時(shí),嘗試抽取產(chǎn)品和用戶對(duì)分類貢獻(xiàn)度大的特征來(lái)幫助分類。

        綜上本文提出一種基于注意力交互機(jī)制的層次網(wǎng)絡(luò)(Hierarchical Network-based Attention Interaction Mechanism,HNAIM)模型。

        (1)為了從詞級(jí)、句級(jí)提取語(yǔ)義特征并生成篇章級(jí)文本表示。模型的第一部分層次網(wǎng)絡(luò)首先由BiLSTM生成句級(jí)的語(yǔ)義特征,得到的特征作為下一個(gè)BiLSTM的輸入最終得到篇章級(jí)的文本特征??紤]到文本中描述詞與用戶和產(chǎn)品的相關(guān)度不同,層次網(wǎng)絡(luò)將用戶和產(chǎn)品信息分開(kāi)建模。

        (2)經(jīng)典的注意力機(jī)制只能抽取重要的描述詞特征,本文采用注意力交互機(jī)制,在抽取重要的描述詞特征的同時(shí),抽取產(chǎn)品和用戶對(duì)分類貢獻(xiàn)度大的特征來(lái)幫助分類。模型的第二部分利用注意力交互機(jī)制分別在句級(jí)和篇章級(jí)上幫助原始層次模型獲取更有價(jià)值的語(yǔ)義信息。

        1 相關(guān)工作

        基于深度學(xué)習(xí)的文檔級(jí)情感分類旨在通過(guò)深度學(xué)習(xí)來(lái)預(yù)測(cè)文本的整體情感極性,其關(guān)鍵在于提取文本特征。Bengio等[9]最早利用神經(jīng)網(wǎng)絡(luò)將詞表示在向量空間中。Mikolov 等[10]和Pennington 等[11]分別提出Word2vec和Glove詞向量模型,這些詞嵌入模型在情感分類任務(wù)上均取得不錯(cuò)的效果。為了進(jìn)一步挖掘文本的特征,一些學(xué)者將詞嵌入和其他深度學(xué)習(xí)模型進(jìn)行結(jié)合,LSTM因其可以解決文本語(yǔ)義上的長(zhǎng)期依賴問(wèn)題受到學(xué)者的青睞。然而語(yǔ)義的聯(lián)系是雙向的,BiLSTM模型在保留LSTM優(yōu)點(diǎn)的基礎(chǔ)上能夠保留文本的上下文信息,在情感分類任務(wù)上可以取得更好的效果。

        注意力機(jī)制在NLP中表現(xiàn)為信息加權(quán),它的引入提高了網(wǎng)絡(luò)對(duì)文本特征的提取能力。Bahdanau 等[12]首次將注意力機(jī)制應(yīng)用到機(jī)器翻譯任務(wù)中,取得較好的效果。Luong 等[13]將注意力分為局部和全局兩種形式,促進(jìn)了注意力機(jī)制在NLP 的推廣。Yang等[14]在情感分類任務(wù)中通過(guò)注意力機(jī)制和神經(jīng)網(wǎng)絡(luò)的結(jié)合提取文本特征并取得了不錯(cuò)的效果。胡榮磊等[15]利用LSTM 和前饋?zhàn)⒁饬?gòu)建情感分類模型。Huang等[16]通過(guò)改進(jìn)的注意力機(jī)制將句子和方面詞聯(lián)合建模,較傳統(tǒng)的情感分類模型取得了更好的效果。

        Tang等[17]利用層次網(wǎng)絡(luò)的概念構(gòu)建情感分類模型,即基于詞粒度的文本表示使用CNN/LSTM來(lái)構(gòu)建句粒度的文本表示,然后基于句子和它們的內(nèi)在關(guān)系構(gòu)建篇章級(jí)的文本表示。在針對(duì)評(píng)論的情感分析任務(wù)中,文獻(xiàn)[7-8]結(jié)合用戶和產(chǎn)品信息構(gòu)建層次網(wǎng)絡(luò)模型并取得了很好的效果。

        本文針對(duì)評(píng)論文本的特性在相關(guān)工作的基礎(chǔ)上進(jìn)行一定的改進(jìn)。本文利用BiLSTM 構(gòu)建層次網(wǎng)絡(luò)來(lái)提取文本特征,但用戶和產(chǎn)品分開(kāi)建模;本文使用注意力交互機(jī)制,在挖掘文本特征的同時(shí)也挖掘用戶和產(chǎn)品中的重要特征來(lái)輔助分類。

        2 HNAIM模型

        2.1 任務(wù)定義

        本文主要針對(duì)評(píng)論文本的特性,結(jié)合用戶和產(chǎn)品信息構(gòu)建分類模型。為了便于后續(xù)對(duì)比分析,本文使用Tang等[6]數(shù)據(jù)預(yù)處理后的評(píng)論數(shù)據(jù)集(詳見(jiàn)3.1節(jié))。數(shù)據(jù)集中每條文本僅有一個(gè)用戶和一個(gè)產(chǎn)品。文本t(t ∈T)結(jié)構(gòu)為{u,p,d} ,含義為文本t(t ∈T)中用戶u(u ∈U)發(fā)表了關(guān)于產(chǎn)品p(p ∈P)的評(píng)論d(d ∈D),其中T 是文本集,U 和P 表示用戶集和產(chǎn)品集,D 為評(píng)論集,t、u、p、d 為單一樣本。最終目標(biāo)是確定評(píng)論的情感傾向。

        2.2 算法模型

        本文利用BiLSTM 構(gòu)建層次網(wǎng)絡(luò)來(lái)提取不同粒度的語(yǔ)義信息,由于文本中描述詞與用戶和產(chǎn)品的相關(guān)度不同,將用戶和產(chǎn)品信息分開(kāi)建模。在層次網(wǎng)絡(luò)中通過(guò)注意力交互機(jī)制逐步提取文本、用戶、產(chǎn)品中的重要特征。HNAIM模型圖(主要模塊見(jiàn)2.2.1~2.2.5小節(jié))如圖1所示,分類流程如下:

        (1)通過(guò)詞嵌入模塊將文本t(t ∈T)中{u,p,d }轉(zhuǎn)化成詞向量{u,p,d}。

        (2)將d 中作為層次網(wǎng)絡(luò)的輸入,首先使用BiLSTM來(lái)學(xué)習(xí)詞向量的句級(jí)表示,然后通過(guò)BiLSTM處理句級(jí)表示,最終生成篇章級(jí)文本特征。

        (3)通過(guò)注意力交互機(jī)制分別計(jì)算文本特征與用戶和產(chǎn)品的相關(guān)度,將文本中重要的句子進(jìn)行加權(quán)突出。在詞粒度生成含用戶觀點(diǎn)的句子表示su和含產(chǎn)品觀點(diǎn)的句子表示sp,在句粒度得到含用戶觀點(diǎn)的篇章級(jí)文本表示du和含產(chǎn)品觀點(diǎn)的篇章級(jí)文本表示dp。

        (4)將du和dp簡(jiǎn)單連接得到文本向量dt,通過(guò)softmax 層得到dt、du、dp在不同類別上的概率sxt、sxu、sxp,最終根據(jù)sxt的概率來(lái)進(jìn)行情感分類。

        (5)通過(guò)損失函數(shù)模塊優(yōu)化模型。針對(duì)評(píng)論文本特點(diǎn),損失函數(shù)加入sxu、sxp作為輔助分類信息。

        圖1 HNAIM算法模型結(jié)構(gòu)

        2.2.1 詞嵌入

        情感分類的基礎(chǔ)是將文本中的單詞轉(zhuǎn)換成詞向量。文本t(t ∈T) 呈{u,p,d} 的結(jié)構(gòu),將u(u ∈U) 和p(p ∈P)轉(zhuǎn)化為詞向量u 和p。如公式(1)所示:

        將評(píng)論d(d ∈D)按符號(hào)分成m 個(gè)句子,即d={s1,s2,…,sm},每個(gè)句子含n 個(gè)詞,即si={w1,w2,…,wn},將si的長(zhǎng)度用零補(bǔ)成定長(zhǎng)l ,l(n ≤l) 是D 中最長(zhǎng)句子單詞數(shù)。將wi轉(zhuǎn)化為詞向量wi,最后將si表示成l×v 的詞向量矩陣si的形式,其中v 是詞向量的維數(shù)。文本t(t ∈T)呈{u,p,d}結(jié)構(gòu)的向量形式。

        2.2.2 BiLSTM層

        LSTM 每個(gè)單元如公式(2)至(7)所示。公式中σ代表sigmoid 函數(shù),ft、it、ot分別對(duì)應(yīng)遺忘門、輸入門以及輸出門,wt是t 時(shí)刻的輸入,ct是t 時(shí)刻單元的狀態(tài),ht表示t 時(shí)刻LSTM 的輸出,ht-1是t-1 時(shí)刻LSTM 的輸出。然而LSTM 只能捕捉一個(gè)方向上的信息流動(dòng),但文本信息的語(yǔ)義關(guān)聯(lián)是雙向的。BiLSTM可以從兩個(gè)方向來(lái)獲取信息,這樣不但可以從網(wǎng)絡(luò)上獲取更多的文本信息,而且更加符合文本的語(yǔ)義特性。BiLSTM 由一個(gè)前向LSTM 和一個(gè)后向LSTM 組成,最后合并兩個(gè)方向上LSTM 的結(jié)果得到所需的文本特征。如公式(8)至(10)所示,其中LSTM1和LSTM2表示兩個(gè)方向上的LSTM,ht1和ht2表示t 時(shí)刻兩個(gè)方向上LSTM 的輸出,ht表示t 時(shí)刻BiLSTM 的輸出,ht-1是t-1 時(shí)刻BiLSTM的輸出。[…;…]是簡(jiǎn)單的連接操作符。

        2.2.3 注意力交互機(jī)制

        本文在抽取文本中較為重要的特征的同時(shí),嘗試抽取產(chǎn)品和用戶對(duì)分類貢獻(xiàn)度大的特征來(lái)幫助分類。由于引入用戶信息和引入產(chǎn)品信息的處理流程相似,故以引入用戶信息u 為例來(lái)介紹注意力交互機(jī)制的構(gòu)造。原始的注意力機(jī)制如公式(11)、公式(12)所示:其中I是用戶信息u 和文本向量ht的信息交互矩陣,αij是句子對(duì)用戶的注意力,最后通過(guò)計(jì)算αij和ht的乘積來(lái)篩選文本中的重要特征。注意力交互機(jī)制在原始注意力機(jī)制的基礎(chǔ)上,逐步提取用戶u 中的重要特征來(lái)幫助分類。如公式(13)至公式(15)所示,其中βij是用戶對(duì)句子的注意力,-βj是用戶級(jí)注意力,即篩選出的用戶的重要特征,最終注意力權(quán)重γ 由每個(gè)用戶級(jí)注意力和文本注意的加權(quán)和得到。如公式(16)所示,最后的文本表示是原始文本特征和注意力權(quán)重的乘積。

        2.2.4 softmax層

        層次網(wǎng)絡(luò)最終輸出含用戶信息的篇章級(jí)文本向量du和含產(chǎn)品信息的篇章級(jí)文本向量dp。如公式(17)所示,將二者簡(jiǎn)單連接生成文本向量dt,[…;…]是連接操作符。如公式(18)所示,使用softmax 計(jì)算dt、du、dp在不同類別上的概率sxt、sxu、sxp。本文根據(jù)sxt的分布情況來(lái)預(yù)測(cè)文本的情感傾向。

        2.2.5 損失函數(shù)

        3 實(shí)驗(yàn)結(jié)果與分析

        3.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境

        Yelp2013、Yelp2014 是點(diǎn)評(píng)網(wǎng)站2013 年、2014 年的餐廳數(shù)據(jù),IMDB 是影評(píng)數(shù)據(jù),類別反映情感極性,數(shù)值越大表示評(píng)價(jià)越正面。訓(xùn)練集、驗(yàn)證集、測(cè)試集比例為8∶1∶1,數(shù)據(jù)集相關(guān)信息如表1所示。

        表1 Yelp2013、Yelp2014、IMDB數(shù)據(jù)集信息

        本文實(shí)驗(yàn)環(huán)境如表2所示。

        表2 實(shí)驗(yàn)環(huán)境

        3.2 實(shí)驗(yàn)參數(shù)與評(píng)價(jià)指標(biāo)

        為了便于后續(xù)研究分析,本文采用固定參數(shù)法。相關(guān)超參數(shù)如表3所示,本文選用Glove[11]預(yù)訓(xùn)練的詞向量來(lái)初始化文本向量,向量維數(shù)為300,BiLSTM每層單元數(shù)為200,用戶和產(chǎn)品數(shù)據(jù)維數(shù)為200,訓(xùn)練過(guò)程采用Adam 來(lái)更新參數(shù),使用隨機(jī)失活和早期停止來(lái)預(yù)防過(guò)擬合,使用梯度裁剪來(lái)預(yù)防梯度爆炸。

        表3 實(shí)驗(yàn)參數(shù)設(shè)置

        本文采用2個(gè)評(píng)價(jià)指標(biāo)作為判定標(biāo)準(zhǔn)。如公式(23)所示,Accuracy(精確率)中N是數(shù)據(jù)集總文本數(shù),T是模型分類正確的文本數(shù)。如公式(24)所示,RMSE(均方誤差)中N是數(shù)據(jù)集總文本數(shù),gdi是實(shí)際文本類別,pri是預(yù)測(cè)文本類別。

        3.3 對(duì)比實(shí)驗(yàn)與結(jié)果分析

        本文采用相同數(shù)據(jù)集下現(xiàn)有模型的實(shí)驗(yàn)結(jié)果與HNAIN進(jìn)行對(duì)比,對(duì)比結(jié)果如表4所示。

        表4 不同分類模型比較

        (1)Majority:將統(tǒng)計(jì)到的訓(xùn)練集中概率最大的分類類別當(dāng)做測(cè)試集的分類類別。

        (2)SSWE[1]:特殊訓(xùn)練詞向量作為SVM 分類器的輸入特性進(jìn)行情感分類。

        (3)PV:利用PVDM算法進(jìn)行情感分類。

        (4)UPNN[6]:通過(guò)CNN 提取詞向量中的信息,在建模過(guò)程中融入用戶信息和產(chǎn)品信息來(lái)進(jìn)行情感分類。

        (5)UPDMN[18]:通過(guò)注意力機(jī)制考慮用戶或產(chǎn)品相關(guān)的其他文本類別并利用LSTM對(duì)當(dāng)前情感分類。

        (6)NSC[7]:利用層次網(wǎng)絡(luò)對(duì)文本特征進(jìn)行編碼,在建模過(guò)程中利用注意力機(jī)制來(lái)提取文本中的重要特征,最后通過(guò)softmax進(jìn)行情感分類。

        (7)DUPMN[19]:利用雙記憶網(wǎng)絡(luò)提取用戶和產(chǎn)品的重要特征,利用雙層LSTM結(jié)合提取到的用戶和產(chǎn)品特征對(duì)文本進(jìn)行分類。

        (8)PMA[20]:與NSC 類似,但利用如用戶排名偏好法等外部方法來(lái)提高分類效果。

        由表4 可以看出,在三個(gè)數(shù)據(jù)集上Majority 效果最差,這是由于該模型無(wú)法獲得任何文本信息。SSWE和PV的效果優(yōu)于Majority,但是模型效果仍低于其他深度學(xué)習(xí)分類模型,這反映了深度學(xué)習(xí)模型在情感分類方面的良好性能。UPNN 和UPDMN 則是分別利用CNN 和LSTM進(jìn)行分類,并在過(guò)程中引入用戶和產(chǎn)品信息后模型效果得到提升,證實(shí)了該信息的添加對(duì)情感分類任務(wù)有正面影響。NSC模型使用層次結(jié)構(gòu)進(jìn)行情感分類,在UPNN 和UPDMN 基礎(chǔ)上進(jìn)一步提高了分類性能,初步驗(yàn)證了考慮文本不同粒度的層次網(wǎng)絡(luò)具有更強(qiáng)大的特征提取能力,PMA 在NSC 的基礎(chǔ)上利用用戶偏好排名法提高了分類性能。DUPMN 結(jié)合用戶和產(chǎn)品信息利用層次網(wǎng)絡(luò)進(jìn)行分類,取得了當(dāng)前對(duì)比模型中的最好效果。本文HNAIM模型最終分類準(zhǔn)確率優(yōu)于所有相關(guān)模型,均方誤差與對(duì)比模型最好效果基本持平,這說(shuō)明本文的HNAIM模型在針對(duì)評(píng)論文本的情感分類任務(wù)上有一定的可行性。

        3.4 模型分析

        3.4.1 注意力交互機(jī)制對(duì)模型性能的影響

        為了驗(yàn)證注意力交互機(jī)制的作用,保持HNAIM 模型其他部分不變,將注意力交互機(jī)制替換成如公式(11)和公式(12)所示的經(jīng)典注意力機(jī)制計(jì)算的注意力權(quán)重,即模型HNAM。在三個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如表5 所示,通過(guò)三個(gè)數(shù)據(jù)集的結(jié)果可以看出,本文HNAIM模型在兩個(gè)評(píng)價(jià)指標(biāo)下的效果均優(yōu)于對(duì)比模型HNAM。由此可以證明注意力交互機(jī)制在本模型中可以起到提高模型效果的作用。

        表5 注意力交互機(jī)制對(duì)模型的影響

        3.4.2 語(yǔ)義提取層對(duì)模型性能的影響

        HNAIM模型利用BiLSTM構(gòu)建層次網(wǎng)絡(luò)來(lái)提取文本中重要的語(yǔ)義信息。為了驗(yàn)證BiLSTM 提取到的上下文信息對(duì)模型性能的影響,保持模型其他部分不變,將BiLSTM 替換成LSTM,LSTM 僅從一個(gè)方向上處理文本信息。在三個(gè)數(shù)據(jù)集上的結(jié)果如表6 所示,由BiLSTM 構(gòu)成的層次網(wǎng)絡(luò)性能在兩個(gè)評(píng)價(jià)指標(biāo)上均優(yōu)于LSTM 構(gòu)成的層次網(wǎng)絡(luò)。由此可見(jiàn)雙向網(wǎng)絡(luò)結(jié)構(gòu)效果優(yōu)于單向網(wǎng)絡(luò)。本文利用雙向網(wǎng)絡(luò)在不同粒度提取到的語(yǔ)義信息更有利于情感分類。

        表6 語(yǔ)義提取層對(duì)模型的影響

        3.4.3 基于用戶和產(chǎn)品的損失值對(duì)模型性能的影響

        本文通過(guò)試湊法進(jìn)行權(quán)重配置,將用戶視角下的損失值lossu和產(chǎn)品視角下的損失值lossp作為輔助分類信息來(lái)幫助分類。為了對(duì)比lossu和lossp在最終損失函數(shù)中的占比程度對(duì)實(shí)驗(yàn)結(jié)果的影響,選取具有代表性的四組權(quán)重,如表7 所示,λ1、λ2、λ3(λ1+λ2+λ3=1)是lossu、lossp、losst的權(quán)重系數(shù),權(quán)重1 用于考察不含輔助分類信息對(duì)分類的影響,權(quán)重2 和權(quán)重3 用于考察只含單一輔助信息對(duì)分類的影響,權(quán)重4 是本文選用的權(quán)重配置。實(shí)驗(yàn)結(jié)果如圖2所示。

        表7 不同損失權(quán)重配置

        圖2 不同權(quán)重值對(duì)實(shí)驗(yàn)的影響

        由圖2(a)和圖2(b)可以看出,對(duì)三個(gè)數(shù)據(jù)集來(lái)講,本文模型選用的權(quán)重4 在兩個(gè)評(píng)價(jià)指標(biāo)下的效果均優(yōu)于其他權(quán)重配比,這說(shuō)明本文的參數(shù)設(shè)置是合理的。不含lossu和lossp作為輔助分類信息的權(quán)重1在兩個(gè)評(píng)價(jià)指標(biāo)下均表現(xiàn)出最差的效果,這說(shuō)明lossu和lossp可以起到幫助分類的效果。權(quán)重2和權(quán)重3在兩個(gè)評(píng)價(jià)指標(biāo)下的效果各有千秋,這反映出lossu和lossp對(duì)最終分類結(jié)果的影響力相仿。綜上可知,lossu和lossp作為輔助分類信息能有效幫助分類,也證實(shí)本文的HNAIM 模型有一定的合理性。

        4 結(jié)束語(yǔ)

        針對(duì)評(píng)論文本提出HNAIM模型。由于文本中存在詞級(jí)、句級(jí)和篇章級(jí)等不同粒度的語(yǔ)義信息,因此該模型選擇層次網(wǎng)絡(luò)結(jié)構(gòu)。層次網(wǎng)絡(luò)首先利用BiLSTM 處理文本的詞級(jí)語(yǔ)義,得到的句級(jí)特征經(jīng)過(guò)BiLSTM進(jìn)行處理,最終生成篇章級(jí)特征用作最后的分類。由于文本中描述詞與用戶和產(chǎn)品的相關(guān)度不同,層次網(wǎng)絡(luò)將用戶和產(chǎn)品信息分開(kāi)建模。本模型在句級(jí)和篇章級(jí)利用注意力交互機(jī)制,在抽取文本中較為重要特征的同時(shí),也嘗試抽取產(chǎn)品和用戶對(duì)分類貢獻(xiàn)度大的特征來(lái)幫助分類。三個(gè)公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明本模型可以提高分類效果,具有一定的可行性。下一步將深入研究用戶和產(chǎn)品信息對(duì)分類效果的影響。

        猜你喜歡
        注意力向量分類
        向量的分解
        讓注意力“飛”回來(lái)
        分類算一算
        聚焦“向量與三角”創(chuàng)新題
        分類討論求坐標(biāo)
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
        A Beautiful Way Of Looking At Things
        向量垂直在解析幾何中的應(yīng)用
        日韩精品中文字幕一区二区| 国产成人啪精品| 狠狠色噜噜狠狠狠狠97俺也去| 亚洲天堂一区二区三区| 亚洲综合天堂av网站在线观看 | 亚洲一区二区三区毛片| 国产自拍av在线观看视频 | 久久99精品久久久久麻豆| 无码不卡av东京热毛片| 无码免费人妻超级碰碰碰碰| 人妻免费黄色片手机版| 日本一区二区视频免费在线看| 久久成人国产精品免费软件| 国产精品自在线免费| 一区二区视频网站在线观看| 日韩一区在线精品视频| 中文字幕亚洲乱码熟女在线| 五月中文字幕| 亚洲图文一区二区三区四区| 久久国产精品一区二区三区| 夜夜未满十八勿进的爽爽影院| 成人午夜无人区一区二区| 亚洲av毛片在线播放| 亚洲av无码乱码在线观看性色| 99久久免费精品高清特色大片| 97久久综合区小说区图片区| 国产综合开心激情五月| 一进一出一爽又粗又大| 91在线在线啪永久地址| 亚洲综合天堂av网站在线观看| 免费a级毛片又大又粗又黑| 欧产日产国产精品精品| 国内视频一区| 美女露出奶头扒开内裤的视频 | 日本一区二区三级免费| 国产乱妇无乱码大黄aa片| 夜色阁亚洲一区二区三区| 手机在线免费看av网站| 伊人久久综合无码成人网| 永久免费av无码网站性色av | 久久精品国产亚洲av蜜桃av|