一种结合 CNN 和 LSTM 模型的阿拉伯情感分析方法
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
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。
Apr, 2017
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
提出了两个新的公开数据集,SudSenti2 和 SudSenti3,介绍了一个包含五个 CNN 层和一个新颖的池化层 MMA 的 CNN 架构 SCM,将 SCM+MMA 模型应用于这两个数据集并得出 92.75% 和 84.39% 的准确率,最后将该模型应用于现有的沙特情感数据集和 MSA 酒店阿拉伯评论数据集,准确率分别为 85.55% 和 90.01%。
Jan, 2022
本文旨在提出两种深度学习架构以及数据增强技术来分类波斯语句子的多分类和二分类情感,实验结果表明我们提出的方法可以成功地解决此问题。
Apr, 2020
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
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
社交媒体的快速发展使得我们能够分析用户意见。尽管常用语言的情感分析已经取得了显著的进展,但由于资源限制,低资源语言像阿拉伯语等仍然很少有研究。本研究探讨了 SemEval-17 和阿拉伯语情感推文数据集上的推文文本的情感分析,并研究了四种预训练语言模型以及提出了两种集成语言模型。我们的发现包括单语言模型表现出更好的性能,集成模型优于基线,而多数投票集成模型胜过英语。
Mar, 2024
本文提出一种结合了 LSTM 和 CNN 模型的组合模型 (LSTM-CNN),利用词嵌入和位置嵌入来实现跨句子 n 元关系抽取。该模型利用了 LSTMs 和 CNNs 的特性,同时利用长距离的顺序信息和捕获大部分信息特征,是跨句子 n 元关系抽取的一种有效模型。该模型在标准数据集上进行评估,表现明显优于 CNN、LSTM 以及组合 CNN-LSTM 模型,并且优于当前跨句子 n 元关系抽取研究的最新成果。
Nov, 2018
本研究提出了一种可解释的情感分类框架,通过在双向长短期记忆(BiLSTM)和卷积神经网络(CNN)-BiLSTM 模型上引入噪声层,克服了过拟合问题,实验证明添加噪声层可以提高阿拉伯语情感分析的性能。
Sep, 2023