基于结构-语义融合的评论文本情感分类研究

摘要

为了解决当前部分情感分析模型片面依赖文本语义特征、忽视句法结构特征的问题，提出了一种基于结构-语义融合的情感分类模型SF-TLSTM(sentiment-fusion-tree LSTM),即将句法结构信息与语义信息进行融合，全面提取文本特征。首先，将BERT(bidirectional encoder representation from transformers)模型引入TreeLSTM(tree-structured bidirectional LSTM)网络结构中；其次，利用SimCSE(simple contrastive learning of sentence embeddings)模型的自监督训练对BERT获得的向量表示进行数据增强；最后，通过节点编码的方式在构建的TreeLSTM网络上实现结构语义特征融合，并与基线模型进行多组对比分析。结果表明：在斯坦福大学发布的SST(stanford sentiment tree-bank)数据集上，SF-TLSTM模型相较于经典树形结构情感分类模型获得更高的准确率，其中在二分类任务中的准确率达到了96.79%。所提方法能够全面有效地提取评论文本的特征，增强文本的向量表示，对自然语言处理领域中的文本处理具有重要意义。

关键词

自然语言处理 / 情感分类 / 语义融合 / 预训练模型 / 句法结构

基金资助

2024年度人文社会科学研究重大课题攻关项目(ZD202402)