《表4 不同方法充当特征提取模块时的平均准确率》

  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

《基于双向长效注意力特征表达的少样本文本分类模型研究》

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

对比结果如表4所示，当特征提取模块为单向结构TCN时，整体准确率下降10.10%。这是由于情感文本存在词语间的时序关系问题以及欲扬先抑或欲抑先扬的特点，因此双向的特征提取模块比单向特征提取模块的效果更好。例如，ARSC数据集中的评论数据，部分评论开头表达了积极的态度，如“这条裤子的材质我喜欢（译文）”，但在评论末尾表达了消极态度：“但是裤子容易缩水，洗了一次就穿不了了（译文）”。该评论整体上属于消极评论。此时单向的特征提取模块注重文本开头信息，容易将该评论分类为积极情绪。而双向的特征提取模块则会保留正反两个方向的重要信息，更容易取得正确的分类。因此，双向特征提取模块可以结合文本开头和文本末尾的信息，捕获更加全面的特征表示，从而提高整个模型的性能。