论文阅读:Neural Sentiment Classification with User and Product Attention

本文介绍了一种基于用户和产品注意力机制的情感分析模型,该模型通过分层LSTM网络融合用户偏好与产品特性,提高了文档级情感分析的准确性。实验结果表明,此模型在预测使用者对产品的评价上优于传统仅依赖文本信息的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Neural Sentiment Classification with User and Product Attention
基于用户和产品注意力机制的情感分析

0.摘要:
1.文档级情感分析:预测使用者对于产品的情感
2.之前工作:只关注本地文本信息,忽略使用者偏好与产品特性。模型复杂度,只考虑词级别的偏好。
3.解决:提出分层神经网络将使用者和产品信息融合到情感分析。
首先提出:分层LSTM网络,生成句子和文档表征
接着:用户和产品信息的通过不同的语义级别来考虑注意力机制
4.实验结果获取网址:https://github.com/thunlp/NSC

1.介绍
2.相关工作
提出:用户/产品偏爱矩阵,向量表征 输入到神经网络模型
3.模型
模型:基于用户产品注意力机制(UPA)的神经情感分析模型(NSC)
首先:规范化 文档级别的情感分析
接着:通过分层长短时记忆网络(HLSTM)获取文档情感表征
最后:加入用户产品注意力机制,增强文档表征
1)规范化
用户u 评论 产品p
将评论作为一个文件d,有n个句子{S1, S2, · · · , Sn}.
l 句子 长度
第i个句子Si由 li个单词组成 {wi1, wi 2, · · · , wi }.
文件级的情感分析:根据文本信息 预测 这些评论的情绪分布或评级。
2)神经情感分析模型
3)使用产品注意力机制
4)情感分析

4.实验
1)实验设置
在这里插入图片描述
5.总结和相关工作
6.告知

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值