《表4 不同模型的分类结果》
由表4可以看出,大部分模型在Yelp2014上效果相对较好,Yelp2013次之,IMDB最差.这是因为Yelp2014和Yelp2013是五分类且Yelp2014数据量略多于Yelp2013,IMDB最小且为十分类.这符合分类规律,数据量越多则相对包含更多的文本特征,分类类别数越少越容易正确分类.在所有的对比模型中,Majority效果最差,因为这种方法基本不含文本特征,这也说明文本特征提取对情感分类有很大的影响.融合分类元数据的模型(UPNN、NSC+UPA、DUPMN)效果普遍优于传统的分类方法(Majority、PV、Trigam、SSWE),由此可以看出分类元数据对情感分类具有正面影响.本文的模型在三个数据集上都表现出比基线模型更好的效果,这说明本文的DB-A-CC模型中的DBLSTM结合self-attention的特征提取结构和融入分类元数据的自定义分类器结构有一定的可行性.
图表编号 | XD00157812800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 杨春霞、李欣栩、瞿涛、秦家鹏 |
绘制单位 | 南京信息工程大学自动化学院、江苏省大数据分析技术重点实验室、江苏省大气环境与装备技术协同创新中心、南京信息工程大学自动化学院、江苏省大数据分析技术重点实验室、江苏省大气环境与装备技术协同创新中心、南京信息工程大学自动化学院、南京信息工程大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |