• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Computer Vision, Image and Deep Learning >Global-Local Feature Fusion Mechanism for Sentiment Classification
【24h】

Global-Local Feature Fusion Mechanism for Sentiment Classification

机译：情绪分类的全局本地特征融合机制

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Short text is a common form of information and opinions in social life. The sentiment analysis of short-text is helpful to obtain the user’s attitude towards items, events and services. However, because of sparse data problem of the shorttext, sentiment analysis for short-text is still in face of great challenges. To address this problem, this paper proposes a novel sentiment classification model, Cap_ONCNNA, which includes word embedding module, sentence representation module and capsule classification. Specially, in the sentence representation module, we proposed a new text representation mechanism ONCNNA. This method can generate global structure and local feature semantic representation by attention-based ON-LSTM and CNN respectively and then fuse them to enhance the sentence representation. In classification module, we are able to get more hidden information by introducing capsule network. The experiments on MR, SST1, and SST2 datasets prove our model is superior to other models. Compared with the best model of the three datasets, the accuracy of our model is improved by 0.2% (MR), 1.84% (SST1), 0.03% (SST2) respectively.
机译：短文是社会生活中的一种常见信息和意见的形式。短文本的情感分析有助于获得用户对项目，活动和服务的态度。然而，由于短篇小说的稀疏数据问题，短文本的情感分析仍然面对巨大的挑战。为了解决这个问题，本文提出了一种新颖的情绪分类模型，CAP_ONCNNA，包括字嵌入模块，句子表示模块和胶囊分类。特别地，在句子表示模块中，我们提出了一个新的文本表示机制Oncnna。此方法可以分别通过基于LSTM和CNN生成全局结构和本地特征语义表示，然后熔化它们以增强句子表示。在分类模块中，我们可以通过引入胶囊网络来获得更多隐藏的信息。 MR，SST1和SST2数据集的实验证明我们的型号优于其他模型。与三个数据集的最佳模型相比，我们模型的准确性分别提高了0.2％（MR），1.84％（SST1），0.03％（SST2）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号