Apr, 2017

BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

PDF
TL;DR使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。
twitter sentiment classifierconvolutional neural networkslong short term memorysemeval-2017 datasetensemble method
发现论文，激发创造
  • 一种结合 CNN 和 LSTM 模型的阿拉伯情感分析方法

    本文探讨了将 CNNs 和 LSTMs 相结合的好处，并在不同数据集上对阿拉伯语情感分析的准确性进行了改进，同时考虑了特定阿拉伯语单词的形态多样性。

    Jul, 2018

  • Twitter 社交网络句子级情感分类的深度神经网络架构

    本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

    Jun, 2017

  • 基于 LSTM 的 Twitter 情感分析模型

    使用收集到的七个手动标注的 Twitter 情感数据集，建立 LSTM 模型来对推文情感进行分类，并使用新数据集对模型进行评估。

    Dec, 2022

  • 基于卷积神经网络的微博情感分析：自然语言处理方法

    本研究采用卷积神经网络（CNN）对来自微博的 119,988 篇原始推文进行情感分析，利用词嵌入进行特征提取，并在情感标签的基础上训练模型执行情感分类，实现了对积极、中立和消极情绪的平衡分类，展示了 CNN 在情感分析任务中的有效性。

    Jul, 2023

  • NTUA-SLP 在 SemEval-2018 任务 1 中使用深度注意力循环神经网络和迁移学习来预测推文中的情感内容

    本文介绍了在 SemEval-2018 挑战赛中参赛的深度学习模型及其应用。采用 Bi-LSTM 网络结构和多层自注意力机制，利用大量 Twitter 数据的 word2vec 词向量嵌入和情感特征，通过预先训练 Semeval 2017 年的数据集进行迁移学习，最终在多个子任务中取得了显著的结果。

    Apr, 2018

  • 一种用于文本分类的 C-LSTM 神经网络

    本文提出 C-LSTM 模型，结合了 CNN 和 RNN 的优点，用于句子表示和文本分类，实验结果表明 C-LSTM 比 CNN 和 LSTM 表现更好，可在这些任务中取得出色的性能。

    Nov, 2015

  • Tweet2Vec: 使用字符级 CNN-LSTM 编码器 - 解码器学习推文嵌入

    Tweet2Vec 是一种新方法，用于通过字符级别的 CNN-LSTM 编码器 - 解码器生成推文的通用向量表示形式，可应用于推文的各种分类任务，并且该方法也适用于其他语言。

    Jul, 2016

  • 使用 CNN-LSTM 模型对波斯语推文进行政治情感分析

    本论文采用词袋和 ParsBERT 进行机器学习和深度学习模型分析波斯语政治推文的情感，结果表明，使用 ParsBERT 嵌入的深度学习模型优于机器学习模型，在第一组具有三个类别的数据集上，CNN-LSTM 模型的分类精确度最高，达到 89％，在第二组具有七个类别的数据集上，分类精度为 71％，由于波斯语的复杂性，此研究的效率相对较低。

    Jul, 2023

  • SemEval-2016 任务 4 上的 INSIGHT-1: 用于情感分类和量化的卷积神经网络

    本文描述了我们在 SemEval-2016 任务 4 中基于深度学习的处理 Twitter 的情感分析方法。我们使用卷积神经网络来确定情感，并参加所有子任务，即二点、三点、五点刻度情感分类和二点、五点刻度情感量化。我们在二点刻度情感分类和量化方面取得了有竞争力的成绩，排名第五和第四（根据另一种度量方法排名第三和第二），尽管仅使用不包含情感信息的预训练嵌入。我们在三点刻度情感分类方面表现良好，在 35 个队伍中排名第八，但在五点刻度情感分类和量化方面表现不佳。错误分析表明，这是由于模型无法捕捉负面情感并且无法考虑序数信息的表现力不足。我们提出了一些改进措施来解决这些和其他问题。

    Sep, 2016

  • 基于缓存的长短期记忆神经网络用于文档级情感分类

    提出了 Cached Long Short-Term Memory 神经网络（CLSTM）来捕获长文本中的语义信息，引入了缓存机制以提高循环单元的记忆能力，在文档级情感分类方面表现优于现有模型。

    Oct, 2016