基于神经网络模型的产品属性情感分析

摘要 针对基于词向量的神经网络模型在产品属性情感分析中效果不佳的问题，提出一种集成离散特征和词向量特征的开关递归神经网络模型。首先，通过直接循环图为语句建模，采用开关递归神经网络模型完成产品属性情感分析任务；然后，在开关递归神经网络模型中集成离散特征和词向量特征；最后，分别在流水线、联合、折叠三种任务模型中完成属性提取和情感分析任务。以宏观F1分数作为评估指标，在SemEval-2014的笔记本电脑和餐馆评论数据集上做实验。开关递归神经网络模型的F1分数为：48.21%和62.19%，超过普通递归神经网络模型近1.5个百分点，因而开关递归神经网络能够有效捕获复杂特征，提升产品属性情感分析的效果。而集成离散特征和词向量特征的神经网络模型的F1分数为：49.26%和63.31%，均超过基线结果0.5到1个百分点，表明离散特征和词向量特征互相促进，另一方面，也表明仅仅基于词向量的神经网络模型仍有提升空间。三种任务模型中，流水线模型的F1分数最高，表明应将属性提取和情感分析任务分开完成