《表3 在IMDB数据集下模型对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合注意力机制和句子排序的情感分析研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表3、表4和表5所示，在IMDB数据集下的分类精度明显低于Yelp2014和Yelp2015的分类精度，原因在于IMDB数据集分为10类，而Yelp2014和Yelp2015分为5类，分类的难度随着类别数的增加而增加。且在三个数据集下，RNN的分类结果相对于LSTM明显较差，原因在于RNN在较长文本中产生了梯度消失或爆炸的问题，欠缺足够的长文本特征捕获能力，而LSTM弥补了该问题，提升了较长文本特征捕获能力。BiLSTM的分类效果略好于LSTM，原因在于其同时捕获了文本的前向语义和后向语义信息，相对于LSTM，提取了更多的语义信息。2-layer LSTM在IMDB数据集中精度为0.401，MSE为3.18，在Yelp2014中精度为0.613，MSE为0.51，在Yelp2015中精度为0.625，MSE为0.45，分类效果明显优于LSTM在三个数据集中的0.398、3.21，0.610、0.57和0.617、0.55，原因在于利用了双层LSTM，提取了更多的文本特征，证明了多层LSTM的有效性。CLSTM则因为利用了缓存机制，通过不同的遗忘率，得到了更好的分类效果。在Yelp2015数据集中，BiLSTM的分类效果和2-layer LSTM、CLSTM几乎一致，而在IMDB和Yelp2014中，BiLSTM的分类精度和MSE分别为0.432、2.21和0.625、0.49，2-layer LSTM的分类精度和MSE分别为0.401、3.18和0.613、0.51，CLSTM的分类精度和MSE分别为0.429、2.67和0.624、0.49，BiLSTM的分类效果明显高于二者，原因在于对前后向语义信息的捕获，进一步证明了捕获文本前后向语义信息的有效性。