CN108009148A - 基于深度学习的文本情感分类表示方法 - Google Patents
基于深度学习的文本情感分类表示方法 Download PDFInfo
- Publication number
- CN108009148A CN108009148A CN201711137565.4A CN201711137565A CN108009148A CN 108009148 A CN108009148 A CN 108009148A CN 201711137565 A CN201711137565 A CN 201711137565A CN 108009148 A CN108009148 A CN 108009148A
- Authority
- CN
- China
- Prior art keywords
- word
- text
- data
- convolution
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于深度学习的文本情感分类表示方法,包括:文本预处理;词语向量化:a.分布式词语特征向量表示;b.浅层词语特征向量化表示;将词语的分布式特征与浅层特征进行融合,得到特征融合矩阵;利用卷积神经网络提取抽象特征;利用句子特征训练文本情感分类模型。
Description
技术领域
本发明涉及一种文本情感分类表示方法。
背景技术
为了使计算机能够处理文本,必须将文本表示成计算机可以处理的数学向量。目前文本表示模型主要包括向量空间模型、概率模型、语言模型。
向量空间模型(VSM)把文本内容的处理简化为向量空间中的向量运算,并且以向量空间中的相似度表示文本语义的相似度。其中文本向量化过程如下:1)分词;2)去停用词;3)特征词项选择;4)计算特征项权重;5)特征归一化。其中特征词项权重计算方法有布尔权值计算、词频权值计算、词频反文档频率。每个词项的权重代表其重要程度。
概率模型是一种基于概率排队原理的文本表示模型。概率排队原则为当文本按照概率降序的原则进行排列时,可以获得最好的检索性能。对于用户给定的查询,概率模型计算所有文档的概率,并按照文档概率的大小对文本进行降序排列。概率模型是利用词条与词条以及词条与文档之间的概念相关性来进行信息检索的文本表示模型,它克服了VSM模型和布尔模型忽略词条相关性的缺点。
语言模型定义了自然语言中标记序列的概率分布。根据具体模型的设计,标记可以是词、字符甚至是字节。其中标记代表离散的实体。最早成功的语言模型是基于固定长度序列的标记模型,称作n-gram。n-gram是一个包含n个标记的序列。其基本假设为,当前标记进入前面n-1个标记相关。不同于n-gram,神经网络语言模型通过神经网络学习词的分布式表示,使得模型能够在识别两个相似词的同时不丧失对每个词编码为不同值能力。
信息处理任务的困难与否很大程度取决于信息的表示形式。这是一个广泛适用于日常生活、科学计算以及机器学习的基本原则。在机器学习中,在数据处理过程中找到与任务对应的恰当的表现形式有助于模型的训练。基于深度学习的表示学习没有给学成的中间特征明确强加任何条件,而其他的表示学习算法往往会以某种特定的表示方式明确设计表示。目前基于深度学习的文本表示方法利用分布式词向量的线性表达能力和深度学习模型有助于提升文本特征的抽象能力。
发明内容
本发明的目的是提供一种基于深度学习的文本表示方法,应用于文本情感分类。该表示方法融合词语的深层特征与浅层特征,经过卷积神经网络(CNN)学习句子的向量表示。可以有效利用句子信息,有助于后续情感分类模型训练。技术方案如下:
一种基于深度学习的文本情感分类表示方法,包括下列步骤:
1)文本预处理
a.数据描述:针对文本进行情感分类,数据类别包括正向情感,中性情感,负向情感;
b.构造数据集:经过数据清洗之后,在数据中随机选择80%的数据作为训练数据,剩余20%作为分类模型性能评估的测试数据,全部数据用于训练词向量矩阵;
2)词语向量化:
a.分布式词语特征向量表示:设一条文本s由n个词构成,经分词预处理后词语序列为W={w1,w2,…,wn},每个词都用k维向量表示;词性序列为POS={pos1,pos2,…,posn},每个词的词性都用m维向量表示,其中,词语与词性的向量表示均由word2vec工具训练得到;
b.浅层词语特征向量化表示:对于一条文本,经分词预处理后词语序列表示为NEG={neg1,neg2,…,negn},将语句的命名实体识别结果表示为二值向量,其中该词语若为命名实体则设置为0,否则为1,引入每个文本中词语的位置信息,表示为P={p1,p2,…,pn}={1,2,...,n};
c.将词语的分布式特征与浅层特征进行融合,每个词语表示为k+m+2长度的向量,令l=k+m+2,那么每一条文本表示为l×n的特征融合矩阵;
3)利用卷积神经网络提取抽象特征:该卷积神经网络由输入层和卷积层组成,其中输入层为某条文本经步骤1)和2)后得到的特征融合矩阵,而卷积层又分为卷积和池化两部分,首先利用不同长度的卷积核对输入层的矩阵依次进行卷积,并通过Sigmoid激活函数得到相应的不同长度的卷积结果;为使结果归一化,可采用池化方法选取每个卷积核卷积后最大值作为该卷积核下的局部特征,用局部特征代替文本的抽象特征。
4)根据步骤3得到的句子特征训练文本情感分类模型。
本发明有点在于:提出了一种基于浅层特征融合的词语级特征选择方法,该方法不同于传统特征提取方法,其不需要使用者拥有较强的先验知识。同时其向量表示将传统的词向量表示与词语本身特性进行融合,使得最终得到的词向量具有较为丰富的信息;如图1所示,提出一种通用框架,其中句子向量化模型可以根据具体任务对模型结构进行调整,或者使用循环神经网络进行表示。同时,情感分类器也可根据实际需求进行选择,实现较为灵活,具有一定的普适性。
附图说明
图1为基于深度学习的文本情感分类流程图
图2为特征融合过程
图3为基于卷积神经网络的文本子向量化过程
具体实施方式
本发明提出一种基于深度学习的文本情感分类表示方法,在分布式词向量表示之外,融合了词语本身特性,得到文本中每个词语的向量表示。同时利用深度神经网络抽取文本的抽象特征。这种文本表示方式有助于后续情感分类模型的训练,使得情感分析更加精确。图1显示了本发明实现基于深度学习的文本情感分类的过程。图2显示了词语级别特征融合过程,融合之后的向量为图3显示了卷积实现文本特征提取的过程。
具体包括下列步骤:
2)文本预处理
c.数据描述:在本专利中,针对文本进行情感分类,数据类别包括正向情感,中性情感,负向情感。
d.构造数据集:经过数据清洗之后,在数据中随机选择80%的数据作为训练数据。剩余20%作为分类模型性能评估的测试数据。其中全部数据用于训练词向量矩阵。
2)词语向量化:
a.分布式词向量表示:设一条文本s由n个词构成,经分词预处理后词语序列为W={w1,w2,…,wn}每个词都用k维向量表示;词性序列为POS={pos1,pos2,…,posn},每个词的词性都用m维向量表示。其中,词语与词性的向量表示均由word2vec工具训练得到。
b.浅层词语特性向量化表示:设一条文本s由n个词构成,经分词预处理后词语序列表示为NEG={neg1,neg2,…,negn},将语句的命名实体识别结果表示为二值向量,其中该词语若为命名实体则设置为0,否则为1。同时引入每个文本中词语的位置信息,表示为P={p1,p2,…,pn}={1,2,...,n}。
c.将词语的分布式特征与浅层特征进行融合,每个词语表示为k+m+2长度的向量,令l=k+m+2。那么每一条文本表示为l×n的矩阵
3)利用卷积神经网络提取抽象特征:该卷积神经网络由输入层和卷积层组成,其中输入层为某条文本经步骤1)和2)后得到的矩阵,而卷积层又分为卷积和池化两部分,首先利用不同长度的卷积核对输入层的矩阵依次进行卷积,并通过Sigmoid激活函数得到相应的不同长度的卷积结果;为使结果归一化,可采用池化方法选取每个卷积核卷积后最大值作为该卷积核下的局部特征,用局部特征代替文本的抽象特征。
4)根据步骤3得到的句子特征训练文本情感分类模型。
本发明使用中应根据具体使用场景进行适当调整。基于word2vec训练向量化矩阵时,应根据实际情况选择算法超参数,包括向量表示维数、语料迭代次数、word2vec训练方法等。一般情况下英文文本应映射为50维向量,中文文本映射为300维向量,同时注意在语料资源不足情况下应增加训练的迭代次数。针对长文本情感分类任务,本发明采用CNN对句子进行抽象特征提取,当句子长度较短或者长度差异较高时可以考虑利用RNN实现句子编码表示。最终情感分类模型也应根据实际应用场景选择恰当的分类器。
Claims (1)
1.一种基于深度学习的文本情感分类表示方法,包括下列步骤:
1)文本预处理
a.数据描述:针对文本进行情感分类,数据类别包括正向情感,中性情感,负向情感;
b.构造数据集:经过数据清洗之后,在数据中随机选择80%的数据作为训练数据,剩余20%作为分类模型性能评估的测试数据,全部数据用于训练词向量矩阵;
2)词语向量化:
a.分布式词语特征向量表示:设一条文本s由n个词构成,经分词预处理后词语序列为W={w1,w2,...,wn},每个词都用k维向量表示;词性序列为POS={pos1,pos2,...,posn},每个词的词性都用m维向量表示,其中,词语与词性的向量表示均由word2vec工具训练得到;
b.浅层词语特征向量化表示:对于一条文本,经分词预处理后词语序列表示为NEG={neg1,neg2,…,negn},将语句的命名实体识别结果表示为二值向量,其中该词语若为命名实体则设置为0,否则为1,引入每个文本中词语的位置信息,表示为P={p1,p2,…,pn}={1,2,...,n};
c.将词语的分布式特征与浅层特征进行融合,每个词语表示为k+m+2长度的向量,令l=k+m+2,那么每一条文本表示为l×n的特征融合矩阵;
3)利用卷积神经网络提取抽象特征:该卷积神经网络由输入层和卷积层组成,其中输入层为某条文本经步骤1)和2)后得到的特征融合矩阵,而卷积层又分为卷积和池化两部分,首先利用不同长度的卷积核对输入层的矩阵依次进行卷积,并通过Sigmoid激活函数得到相应的不同长度的卷积结果;为使结果归一化,可采用池化方法选取每个卷积核卷积后最大值作为该卷积核下的局部特征,用局部特征代替文本的抽象特征。
4)根据步骤3得到的句子特征训练文本情感分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711137565.4A CN108009148B (zh) | 2017-11-16 | 2017-11-16 | 基于深度学习的文本情感分类表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711137565.4A CN108009148B (zh) | 2017-11-16 | 2017-11-16 | 基于深度学习的文本情感分类表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009148A true CN108009148A (zh) | 2018-05-08 |
CN108009148B CN108009148B (zh) | 2021-04-27 |
Family
ID=62052547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711137565.4A Expired - Fee Related CN108009148B (zh) | 2017-11-16 | 2017-11-16 | 基于深度学习的文本情感分类表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009148B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845560A (zh) * | 2018-05-30 | 2018-11-20 | 国网浙江省电力有限公司宁波供电公司 | 一种电力调度日志故障分类方法 |
CN108877801A (zh) * | 2018-06-14 | 2018-11-23 | 南京云思创智信息科技有限公司 | 基于多模态情绪识别***的多轮对话语义理解子*** |
CN109036465A (zh) * | 2018-06-28 | 2018-12-18 | 南京邮电大学 | 语音情感识别方法 |
CN109190112A (zh) * | 2018-08-10 | 2019-01-11 | 合肥工业大学 | 基于双通道特征融合的专利分类方法、***及存储介质 |
CN109271493A (zh) * | 2018-11-26 | 2019-01-25 | 腾讯科技(深圳)有限公司 | 一种语言文本处理方法、装置和存储介质 |
CN109829500A (zh) * | 2019-01-31 | 2019-05-31 | 华南理工大学 | 一种职位构图和自动聚类方法 |
CN109977414A (zh) * | 2019-04-01 | 2019-07-05 | 中科天玑数据科技股份有限公司 | 一种互联网金融平台用户评论主题分析***及方法 |
CN110046250A (zh) * | 2019-03-17 | 2019-07-23 | 华南师范大学 | 三嵌入卷积神经网络模型及其文本多分类方法 |
CN110750648A (zh) * | 2019-10-21 | 2020-02-04 | 南京大学 | 一种基于深度学习和特征融合的文本情感分类方法 |
CN110851600A (zh) * | 2019-11-07 | 2020-02-28 | 北京集奥聚合科技有限公司 | 基于深度学习的文本数据处理方法及装置 |
CN110929587A (zh) * | 2019-10-30 | 2020-03-27 | 杭州电子科技大学 | 一种基于层次注意力机制的双向重构网络视频描述方法 |
CN111221974A (zh) * | 2020-04-22 | 2020-06-02 | 成都索贝数码科技股份有限公司 | 基于层级结构多标签体系的新闻文本分类模型的构建方法 |
CN111241271A (zh) * | 2018-11-13 | 2020-06-05 | 网智天元科技集团股份有限公司 | 文本情感分类方法、装置及电子设备 |
CN111274401A (zh) * | 2020-01-20 | 2020-06-12 | 华中师范大学 | 基于多特征融合的课堂话语分类方法和装置 |
CN111858939A (zh) * | 2020-07-27 | 2020-10-30 | 上海五节数据科技有限公司 | 一种基于上下文信息和卷积神经网络的文本情感分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120246054A1 (en) * | 2011-03-22 | 2012-09-27 | Gautham Sastri | Reaction indicator for sentiment of social media messages |
US20160034426A1 (en) * | 2014-08-01 | 2016-02-04 | Raytheon Bbn Technologies Corp. | Creating Cohesive Documents From Social Media Messages |
CN106649275A (zh) * | 2016-12-28 | 2017-05-10 | 成都数联铭品科技有限公司 | 基于词性信息和卷积神经网络的关系抽取方法 |
CN106951472A (zh) * | 2017-03-06 | 2017-07-14 | 华侨大学 | 一种网络文本的多重情感分类方法 |
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
CN107038480A (zh) * | 2017-05-12 | 2017-08-11 | 东华大学 | 一种基于卷积神经网络的文本情感分类方法 |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
-
2017
- 2017-11-16 CN CN201711137565.4A patent/CN108009148B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120246054A1 (en) * | 2011-03-22 | 2012-09-27 | Gautham Sastri | Reaction indicator for sentiment of social media messages |
US20160034426A1 (en) * | 2014-08-01 | 2016-02-04 | Raytheon Bbn Technologies Corp. | Creating Cohesive Documents From Social Media Messages |
CN106649275A (zh) * | 2016-12-28 | 2017-05-10 | 成都数联铭品科技有限公司 | 基于词性信息和卷积神经网络的关系抽取方法 |
CN106951472A (zh) * | 2017-03-06 | 2017-07-14 | 华侨大学 | 一种网络文本的多重情感分类方法 |
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
CN107038480A (zh) * | 2017-05-12 | 2017-08-11 | 东华大学 | 一种基于卷积神经网络的文本情感分类方法 |
Non-Patent Citations (3)
Title |
---|
CHENGXIN LI等: "Emotion Classification of Chinese Microblog Text via Fusion of BoW and eVector Feature Representations", 《NLPCC 2014》 * |
么素素等: "绝对不平衡样本分类的集成迁移学习算法", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/11.5602.TP.20170920.1136.002.HTML》 * |
孙晓等: "基于多特征融合的混合神经网络模型讽刺语用判别", 《中文信息学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845560A (zh) * | 2018-05-30 | 2018-11-20 | 国网浙江省电力有限公司宁波供电公司 | 一种电力调度日志故障分类方法 |
CN108845560B (zh) * | 2018-05-30 | 2021-07-13 | 国网浙江省电力有限公司宁波供电公司 | 一种电力调度日志故障分类方法 |
CN108877801A (zh) * | 2018-06-14 | 2018-11-23 | 南京云思创智信息科技有限公司 | 基于多模态情绪识别***的多轮对话语义理解子*** |
CN108877801B (zh) * | 2018-06-14 | 2020-10-02 | 南京云思创智信息科技有限公司 | 基于多模态情绪识别***的多轮对话语义理解子*** |
CN109036465A (zh) * | 2018-06-28 | 2018-12-18 | 南京邮电大学 | 语音情感识别方法 |
CN109036465B (zh) * | 2018-06-28 | 2021-05-11 | 南京邮电大学 | 语音情感识别方法 |
CN109190112A (zh) * | 2018-08-10 | 2019-01-11 | 合肥工业大学 | 基于双通道特征融合的专利分类方法、***及存储介质 |
CN111241271A (zh) * | 2018-11-13 | 2020-06-05 | 网智天元科技集团股份有限公司 | 文本情感分类方法、装置及电子设备 |
CN111241271B (zh) * | 2018-11-13 | 2023-04-25 | 网智天元科技集团股份有限公司 | 文本情感分类方法、装置及电子设备 |
CN109271493A (zh) * | 2018-11-26 | 2019-01-25 | 腾讯科技(深圳)有限公司 | 一种语言文本处理方法、装置和存储介质 |
CN109271493B (zh) * | 2018-11-26 | 2021-10-08 | 腾讯科技(深圳)有限公司 | 一种语言文本处理方法、装置和存储介质 |
CN109829500B (zh) * | 2019-01-31 | 2023-05-02 | 华南理工大学 | 一种职位构图和自动聚类方法 |
CN109829500A (zh) * | 2019-01-31 | 2019-05-31 | 华南理工大学 | 一种职位构图和自动聚类方法 |
CN110046250A (zh) * | 2019-03-17 | 2019-07-23 | 华南师范大学 | 三嵌入卷积神经网络模型及其文本多分类方法 |
CN109977414B (zh) * | 2019-04-01 | 2023-03-14 | 中科天玑数据科技股份有限公司 | 一种互联网金融平台用户评论主题分析***及方法 |
CN109977414A (zh) * | 2019-04-01 | 2019-07-05 | 中科天玑数据科技股份有限公司 | 一种互联网金融平台用户评论主题分析***及方法 |
CN110750648A (zh) * | 2019-10-21 | 2020-02-04 | 南京大学 | 一种基于深度学习和特征融合的文本情感分类方法 |
CN110929587A (zh) * | 2019-10-30 | 2020-03-27 | 杭州电子科技大学 | 一种基于层次注意力机制的双向重构网络视频描述方法 |
CN110851600A (zh) * | 2019-11-07 | 2020-02-28 | 北京集奥聚合科技有限公司 | 基于深度学习的文本数据处理方法及装置 |
CN111274401A (zh) * | 2020-01-20 | 2020-06-12 | 华中师范大学 | 基于多特征融合的课堂话语分类方法和装置 |
CN111221974A (zh) * | 2020-04-22 | 2020-06-02 | 成都索贝数码科技股份有限公司 | 基于层级结构多标签体系的新闻文本分类模型的构建方法 |
CN111858939A (zh) * | 2020-07-27 | 2020-10-30 | 上海五节数据科技有限公司 | 一种基于上下文信息和卷积神经网络的文本情感分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108009148B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009148A (zh) | 基于深度学习的文本情感分类表示方法 | |
CN111368996B (zh) | 可传递自然语言表示的重新训练投影网络 | |
Chen et al. | Ensemble application of convolutional and recurrent neural networks for multi-label text categorization | |
Conneau et al. | Very deep convolutional networks for natural language processing | |
CN110969020B (zh) | 基于cnn和注意力机制的中文命名实体识别方法、***及介质 | |
Prusa et al. | Designing a better data representation for deep neural networks and text classification | |
CN111221944B (zh) | 文本意图识别方法、装置、设备和存储介质 | |
US11074412B1 (en) | Machine learning classification system | |
CN113127624B (zh) | 问答模型的训练方法及装置 | |
CN106649853A (zh) | 一种基于深度学习的短文本聚类方法 | |
Zobeidi et al. | Opinion mining in Persian language using a hybrid feature extraction approach based on convolutional neural network | |
CN113987187B (zh) | 基于多标签嵌入的舆情文本分类方法、***、终端及介质 | |
CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
Mehta et al. | Sentiment analysis of tweets using supervised learning algorithms | |
Tao et al. | News text classification based on an improved convolutional neural network | |
Naqvi et al. | Roman Urdu news headline classification empowered with machine learning | |
Chandra et al. | Utilizing gated recurrent units to retain long term dependencies with recurrent neural network in text classification | |
Nouhaila et al. | Arabic sentiment analysis based on 1-D convolutional neural network | |
Zhao et al. | Commented content classification with deep neural network based on attention mechanism | |
CN116089605A (zh) | 基于迁移学习和改进词袋模型的文本情感分析方法 | |
CN113869068A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
KR102098461B1 (ko) | 퍼지 범주 표현을 이용한 확률 레이블 부착 알고리즘을 사용한 분류 방법 | |
Zhao et al. | Annotation and detection of emotion in text-based dialogue systems with cnn | |
Aydoğan et al. | Spelling Correction with the Dictionary Method for the Turkish Language Using Word Embeddings | |
Jain et al. | Improved word vector space with ensemble deep learning model for language identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210427 Termination date: 20211116 |