科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着社交网络平台上带有情绪色彩的短文本信息爆发式的增长，利用深度学习方法对此类文本进行细粒度情感分类已成为近年自然语言处理的热点研究领域。传统的情感分类算法处理细粒度情感分类时，往往存在文本语义特征信息提取不足和忽略数据集先验分布的问题。对此，该文从模型和数据两个角度进行改善，提出一种融合交替归一化的深度学习模型，模型结合RoBERTa预训练和双向长短时记忆网络深层次提取文本的全局语义特征信息并利用自注意力机制进行动态权重调整，将输出的样本结果按熵值判定为高置信度样本与低置信度样本，利用交替归一化方法与数据集先验分布信息，对低置信度样本进行逐一修正，得到最终结果。在SMP2020-EWWCT中文竞赛数据集和SemEval 2014 task4英文公开数据集上进行跨语言对比实验评估，结果表明，该模型相较主流深度学习模型均有显著的性能提升。
- 单位
