基于CNN和BiLSTM网络特征融合的文本情感分析

摘要 卷积神经网络（CNN）和循环神经网络（RNN）在自然语言处理上得到广泛应用，但由于自然语言在结构上存在着前后依赖关系，仅依靠卷积神经网络实现文本分类将忽略词的上下文含义，且传统的循环神经网络存在梯度消失或梯度爆炸问题，限制了文本分类的准确率。为此，提出一种卷积神经网络和双向长短时记忆（BiLSTM）特征融合的模型，利用卷积神经网络提取文本向量的局部特征，利用BiLSTM提取与文本上下文相关的全局特征，将两种互补模型提取的特征进行融合，解决了单卷积神经网络模型忽略词在上下文语义和语法信息的问题，也有效避免了传统循环神经网络梯度消失或梯度弥散问题。在两种数据集上进行对比实验，实验结果表明，所提特征融合模型有效提升了文本分类的准确率