《表3 对比实验结果：基于MGCNN的商品评论情感分析》

  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

《基于MGCNN的商品评论情感分析》

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

多组对比试验如表3所示，从正确率Acc和F1值两组数据来看，在衣服评论数据集上，GCN比DPCNN的Acc高约1.31%，与LSTM相比，Acc高约0.52%，F1值达94.15%，均优于这两个模型；而Text CNN和Transformer网络的表现比DPCNN和LSTM更差一点。在洗发水评论数据集上，GCN比LSTM的Acc高约1.80%，比DPCNN的Acc高约1.23%，F1值达93.33%，其精度P和召回率R也均比其他传统方法更优。由此可见，GCN在处理商品评论情感分析问题上的效果更好，这是因为GCN对于文本的全局词共现信息的利用更加充分。由于GCN在将数据集构造成文本异构图的时候就已经对文本的信息进行了归纳和提取，因此GCN的训练时间也要比传统深度学习方法短很多。