融合图卷积神经网络的文本情感分类

来源 :山东大学学报(理学版) | 被引量 : 0次 | 上传用户:wuyuwei1210
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
文档级别情感分类旨在预测用户对评论文本的情感极性标签.最近研究发现,利用用户和产品信息能有效地提升情感分类性能,然而,现有大多数研究只关注用户与评论、产品与评论的信息,忽略了用户与用户、产品与产品之间的内在关联,因此,本文提出一种融合图卷积神经网络的文本情感分类模型.首先,根据数据集构建了用户与用户关系图、用户与产品关系图;然后,融合两种关系图形成异质图,并使用图卷积神经网络学习用户与用户、产品与产品之间的内在联系,获得更好的用户和产品表示;最后,使用融合CNN的用户注意力和产品注意力机制的分层网络进行情感分类.实验结果表明,在公开数据集IMDB、Yelp2013和Yelp2014上,本文提出的模型能取得较好的分类效果.
其他文献
图G1和G2的克罗内克积G1?G2具有点集V(G1)?V(G2),在G1?G2中两个点(u1,v1)和(u2,v2)相邻当且仅当u1 u2∈E(G1)且v1 v2∈E(G2).对整可逆图(即图的邻接矩阵的逆矩阵中只包含整数)的克罗内克积的逆进行刻画.
“绿水青山就是金山银山”,随着各地的水土保持预防监督体系和监测网络不断完善,积累了大量的水土流失原始信息,为全面规划及综合治理提供了科学依据.在本次研究中,提出以开源的大数据技术,能同时实现大数据的离线挖掘和实时计算的水土保持监测系统解决方案.
我国月—季降水分布在空间上存在类似于大气环流遥相关的空间遥相关型.本文基于中国近57年夏季降水资料研究了我国夏季降水空间遥相关型的主要空间模态特征及其年代际变化,评估并改进了BCC_CSM模式、ECMWF_SYSTEM4模式以及NCEP_CFSV2模式对中国夏季降水的预测能力.研究结果显示,中国夏季降水实况中存在华北—长江下游、华东—中国中北部、华南—长江流域、西南—东北中部等4类显著的空间遥相关型.动力模式可以预测大尺度的降水分布,而对于不同区域之间降水遥相关这种雨带细节特征的预测能力则较为薄弱,存在着
“地沟油”事件严重威胁了食品安全,也引起了人们对地沟油鉴别技术的关注.文章介绍了几种地沟油的常规鉴别技术,重点对感官检测、常规指标检测、电导率检测及电子鼻检测等技术的应用情况和不足之处进行了总结和分析.建立准确度高的鉴别技术,仍是地沟油检测领域的发展方向.
随着全球新冠疫控的持续,新型冠状病毒基因组在流行过程中持续发生变异,对变异造成的功能影响日渐成为关注的焦点.目前,在全球多个国家和地区均发现了包括Alpha、Beta和Delta在内的多种感染力增强的变异毒株,尤其是关键位点积累的氨基酸变异,极大地改变了病毒的免疫学特征,增加了病毒免疫逃逸的风险,可能会降低现有疫苗、抗体、药物等疫情控制方法的保护性,影响核酸诊断试剂的适用性,对疫情的防控构成了严峻挑战,亟需一个基于大数据的病毒变异风险评估及预警系统,对现有及未来可能出现的各种变异造成的影响进行系统性评估和
期刊
利用Fubini定理,得到了基于cY函数的弱(下)鞅的一类极大值不等式.
地表反照率表征地球表面对太阳辐射的反射能力,是影响地表辐射能量收支平衡的关键参数.本文以淮河流域为例,利用MODIS(MODerate resolution Imaging Spectroradiometer)数据,采用网格趋势分析、异常变化分析、相关分析和灰色关联度分析等方法,分析了淮河流域2005~2015年地表反照率的时空变化规律,以及土地利用类型、地形因子、地表参数和气候等影响因子.结果表明:淮河流域年平均地表反照率整体呈“北高南低、东高西低”的空间分布规律,变化在0.043~0.223,平均值为
为研究北疆棉花进头水时间,通过2018~2020三年小区试验得出,在正常气候的年份里,6月10日~6月20日灌头水,获得产量最高.棉花灌头水时间应根据土壤质地、发育进程、实际保苗株数、水资源状况、天气及灾害情况确定.
利用月平均的HadISST海表温度、NCEP再分析资料、OAFlux海表面热通量及相关物理量资料、NCAR/NOAA云量场资料,分析了热带太平洋海表热通量的年际特征,并且进一步分析了传统El Ni?o和El Ni?o Modoki事件中湍流热通量的异常演变特征以及影响因子.在热带太平洋上,净热通量的年际变化最大振幅出现在赤道太平洋上,且主要取决于潜热通量和短波辐射通量的变化.本文还利用两类ENSO事件旺盛期海温指数对不同时期海面热通量场的偏回归分析,考察了热带太平洋海表面热通量与两类ENSO事件中海温的联
在对GM(1,1)模型进行分析的基础上,经过理论推导,得出了初始数对预测没有影响的结论,对GM(1,1)模型进行改进,给出了GM(1,1)模型Ⅰ.当向原始序列添加相同的数字时,预测值将更改,由此提出了GM(1,1)模型Ⅱ,利用粒子群算法,得到最佳的增加量.仿真结果表明,GM(1,1)模型Ⅰ和模型Ⅱ具有较高的精度.