一种用于情感分析的LSTM-CNN深度网络模型
TP312; 针对传统文本特征表示维度大且不能考虑上下文语义信息、循环神经网络梯度消失或梯度爆炸等问题,提出了一种结合LSTM和CNN的深度学习模型,文本数据经过清洗、词嵌入以及标准化后,将其输入至该模型中进行学习.考虑到词与词之间的相关性,使用了word2vec词向量工具,将LSTM和CNN通过恰当的方式结合,经实验验证,该模型的准确率和稳定性得到了有效提高....
Gespeichert in:
| Veröffentlicht in: | 广东石油化工学院学报 2019, Vol.29 (6), p.53-62 |
|---|---|
| Hauptverfasser: | , , , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 62 |
|---|---|
| container_issue | 6 |
| container_start_page | 53 |
| container_title | 广东石油化工学院学报 |
| container_volume | 29 |
| creator | 叶颖雅 黎树俊 冯浩男 李明轩 陈珂 |
| description | TP312; 针对传统文本特征表示维度大且不能考虑上下文语义信息、循环神经网络梯度消失或梯度爆炸等问题,提出了一种结合LSTM和CNN的深度学习模型,文本数据经过清洗、词嵌入以及标准化后,将其输入至该模型中进行学习.考虑到词与词之间的相关性,使用了word2vec词向量工具,将LSTM和CNN通过恰当的方式结合,经实验验证,该模型的准确率和稳定性得到了有效提高. |
| doi_str_mv | 10.3969/j.issn.2095-2562.2019.06.012 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_mmxyxb201906012</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>mmxyxb201906012</wanfj_id><sourcerecordid>mmxyxb201906012</sourcerecordid><originalsourceid>FETCH-wanfang_journals_mmxyxb2019060123</originalsourceid><addsrcrecordid>eNpjYFAxNNAztjSz1M_SyywuztMzMrA01TUyNTMCsgwt9QzM9AwMjVgYOOHiHAy8xcWZSQZGJoYWJgZGlpwMpk92NDxf3vt8yoonu_qeNbc-a5n_tKPt2bwJz2e1-ASH-Oo6-_k9277x6a5lz_dOfL57zrMVC5_O6-ZhYE1LzClO5YXS3Azqbq4hzh665Yl5aYl56fFZ-aVFeUCZ-NzcisqKJJBzDMyAjjEmXiUATKVPQA</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>一种用于情感分析的LSTM-CNN深度网络模型</title><source>National Center for Philosophy and Social Science Documentation (China)</source><creator>叶颖雅 ; 黎树俊 ; 冯浩男 ; 李明轩 ; 陈珂</creator><creatorcontrib>叶颖雅 ; 黎树俊 ; 冯浩男 ; 李明轩 ; 陈珂</creatorcontrib><description>TP312; 针对传统文本特征表示维度大且不能考虑上下文语义信息、循环神经网络梯度消失或梯度爆炸等问题,提出了一种结合LSTM和CNN的深度学习模型,文本数据经过清洗、词嵌入以及标准化后,将其输入至该模型中进行学习.考虑到词与词之间的相关性,使用了word2vec词向量工具,将LSTM和CNN通过恰当的方式结合,经实验验证,该模型的准确率和稳定性得到了有效提高.</description><identifier>ISSN: 2095-2562</identifier><identifier>DOI: 10.3969/j.issn.2095-2562.2019.06.012</identifier><language>chi</language><publisher>广东石油化工学院计算机学院,广东茂名,525000</publisher><ispartof>广东石油化工学院学报, 2019, Vol.29 (6), p.53-62</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/mmxyxb/mmxyxb.jpg</thumbnail><link.rule.ids>314,780,784,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>叶颖雅</creatorcontrib><creatorcontrib>黎树俊</creatorcontrib><creatorcontrib>冯浩男</creatorcontrib><creatorcontrib>李明轩</creatorcontrib><creatorcontrib>陈珂</creatorcontrib><title>一种用于情感分析的LSTM-CNN深度网络模型</title><title>广东石油化工学院学报</title><description>TP312; 针对传统文本特征表示维度大且不能考虑上下文语义信息、循环神经网络梯度消失或梯度爆炸等问题,提出了一种结合LSTM和CNN的深度学习模型,文本数据经过清洗、词嵌入以及标准化后,将其输入至该模型中进行学习.考虑到词与词之间的相关性,使用了word2vec词向量工具,将LSTM和CNN通过恰当的方式结合,经实验验证,该模型的准确率和稳定性得到了有效提高.</description><issn>2095-2562</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2019</creationdate><recordtype>article</recordtype><recordid>eNpjYFAxNNAztjSz1M_SyywuztMzMrA01TUyNTMCsgwt9QzM9AwMjVgYOOHiHAy8xcWZSQZGJoYWJgZGlpwMpk92NDxf3vt8yoonu_qeNbc-a5n_tKPt2bwJz2e1-ASH-Oo6-_k9277x6a5lz_dOfL57zrMVC5_O6-ZhYE1LzClO5YXS3Azqbq4hzh665Yl5aYl56fFZ-aVFeUCZ-NzcisqKJJBzDMyAjjEmXiUATKVPQA</recordid><startdate>2019</startdate><enddate>2019</enddate><creator>叶颖雅</creator><creator>黎树俊</creator><creator>冯浩男</creator><creator>李明轩</creator><creator>陈珂</creator><general>广东石油化工学院计算机学院,广东茂名,525000</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2019</creationdate><title>一种用于情感分析的LSTM-CNN深度网络模型</title><author>叶颖雅 ; 黎树俊 ; 冯浩男 ; 李明轩 ; 陈珂</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_mmxyxb2019060123</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2019</creationdate><toplevel>online_resources</toplevel><creatorcontrib>叶颖雅</creatorcontrib><creatorcontrib>黎树俊</creatorcontrib><creatorcontrib>冯浩男</creatorcontrib><creatorcontrib>李明轩</creatorcontrib><creatorcontrib>陈珂</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>广东石油化工学院学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>叶颖雅</au><au>黎树俊</au><au>冯浩男</au><au>李明轩</au><au>陈珂</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>一种用于情感分析的LSTM-CNN深度网络模型</atitle><jtitle>广东石油化工学院学报</jtitle><date>2019</date><risdate>2019</risdate><volume>29</volume><issue>6</issue><spage>53</spage><epage>62</epage><pages>53-62</pages><issn>2095-2562</issn><abstract>TP312; 针对传统文本特征表示维度大且不能考虑上下文语义信息、循环神经网络梯度消失或梯度爆炸等问题,提出了一种结合LSTM和CNN的深度学习模型,文本数据经过清洗、词嵌入以及标准化后,将其输入至该模型中进行学习.考虑到词与词之间的相关性,使用了word2vec词向量工具,将LSTM和CNN通过恰当的方式结合,经实验验证,该模型的准确率和稳定性得到了有效提高.</abstract><pub>广东石油化工学院计算机学院,广东茂名,525000</pub><doi>10.3969/j.issn.2095-2562.2019.06.012</doi></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 2095-2562 |
| ispartof | 广东石油化工学院学报, 2019, Vol.29 (6), p.53-62 |
| issn | 2095-2562 |
| language | chi |
| recordid | cdi_wanfang_journals_mmxyxb201906012 |
| source | National Center for Philosophy and Social Science Documentation (China) |
| title | 一种用于情感分析的LSTM-CNN深度网络模型 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-24T06%3A43%3A57IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E4%B8%80%E7%A7%8D%E7%94%A8%E4%BA%8E%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90%E7%9A%84LSTM-CNN%E6%B7%B1%E5%BA%A6%E7%BD%91%E7%BB%9C%E6%A8%A1%E5%9E%8B&rft.jtitle=%E5%B9%BF%E4%B8%9C%E7%9F%B3%E6%B2%B9%E5%8C%96%E5%B7%A5%E5%AD%A6%E9%99%A2%E5%AD%A6%E6%8A%A5&rft.au=%E5%8F%B6%E9%A2%96%E9%9B%85&rft.date=2019&rft.volume=29&rft.issue=6&rft.spage=53&rft.epage=62&rft.pages=53-62&rft.issn=2095-2562&rft_id=info:doi/10.3969/j.issn.2095-2562.2019.06.012&rft_dat=%3Cwanfang_jour%3Emmxyxb201906012%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=mmxyxb201906012&rfr_iscdi=true |