基于特征融合的文本情感分类

虽然卷积神经网络（CNN）可以提取局部特征，长短期记忆网络（LSTM）可以提取全局特征，它们都表现出了较 好的分类效果，但CNN在获取文本的上下文全局信息方面有些不足，而LSTM容易忽略词语之间隐含的特征信息。因此，提 出了用CNN_BiLSTM_Attention 并行模型进行文本情感分类。首先，使用CNN提取局部特征，同时BiLSTM提取带有上下文 语义信息的全局特征，之后将两者提取的特征拼接在一起，进行特征融合。这样使得模型既能捕获局部短语级特征，又能捕获 上下文结构信息，并对特征词的重要程度，利用注意力机制分配不同权重，进而提高模型的分类效果。通过与单一模型CNN、 LSTM等深度神经网络模型的对比，本文所提的CNN_BiLSTM_Attention并行模型在综合评价指标F1 score 和准确率上都有 提升，实验结果表明，本文所提模型在文本情感分类任务中取得了较好的结果，比其他神经网络模型有更好的实用价值。