REVISTA DE INGENIERIA DYNA

Palabras clave:

Sentiment analysis, CNN, LSTM, Feature fusion, Análisis de opinión, RNC, Fusión de características

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

El aprendizaje automático se ha aplicado ampliamente en el análisis de las emociones. Sin embargo, el lenguaje natural tiene una relación dependiente de la estructura, confiando en una sola red para la extracción de características, lo que limita la precisión de la clasificación del sentido del texto. Para extraer características semánticas y realizar la clasificación de manera efectiva, se propuso en el estudio la red neural convolucional y el modelo de memoria a largo plazo (CNN-LSTM). Se empleó el método Word2vec para entrenar el vector inicial de la palabra. Se introdujeron la capa convolucional de la CNN y la capa de agrupación máxima para extraer las características locales del texto. Se adoptó el módulo LSTM para capturar las dependencias a largo plazo entre las secuencias de palabras. Las características extraídas con el LSTM y la CNN se fusionaron, y se mejoró la eficiencia utilizando la tecnología de regularización de la deserción. Se realizó un estudio de caso en el conjunto de datos de la revisión de la película para analizar el efecto de la clasificación utilizando los métodos tradicionales y propuestos. Los resultados demuestran que, en comparación con los modelos únicos de CNN y LSTM, el índice de evaluación F1 de este modelo mejora en un 1,93% y un 0,97%, respectivamente. En comparación con el vector de características inicializadas aleatoriamente, la precisión del modelo mejora un 2,74% por la incrustación de palabras. El método propuesto puede recibir la entrada paralela de la información de texto, lo que reduce el tiempo de formación del modelo de red. El mecanismo que combina la CNN y el LSTM compensa las deficiencias de depender únicamente de la incrustación de palabras para la extracción de características, lo que permite al modelo obtener una característica de la opinión y una polaridad de la misma efectivamente identificada sin conocimientos externos como el análisis de sintaxis de dependencia. El método propuesto proporciona una referencia específica para la clasificación de las opiniones en los textos de los comentarios en los medios de comunicación social.
Palabras clave: Sentiment analysis, CNN, LSTM, Feature fon