《表4 不同模型的情感分类性能比较》

  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

《融合关键对象识别与深层自注意力的Bi-LSTM情感分析模型》

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

本文模型与其它对比模型分别在相同数据集上的实验结果如表4所示1．尽管完善了对象词抽取工作，并在输入层矩阵融入对象特征权重，但该权重仅从词频角度反映对象词的重要性，而且卷积神经网络在处理序列信息上不具优势，所以在7个模型中CNN的分类效果不太理想．Bi-LSTM比CNN在精确率、召回率和F1值上均有一定提升，说明句子的上下文语义信息在情感分类过程中有重要作用．TC-LSTM对输入词向量序列拼接了对象信息，并以对象词为中心，同时提取其前文信息和后文信息用于情感分类．该方法的核心思想与BiLSTM类似，但是把句子的语义割裂为左右两个部分，在分类性能上仅比Bi-LSTM略有提升．ATAE-LSTM既拼接了特定对象词向量，又引入了注意力机制，分类效果比Bi-LSTM有进一步提升，但该模型仅从一个方向对文本的序列特征建模，其注意力权重是基于隐藏层输出的单层学习结果，故效果提升并不明显．