基于FastText字向量与双向GRU循环神经网络的短文本情感分析研究——以微博评论文本为例

【目的/意义】提出基于字向量与双向GRU循环神经网络的模型以提高网络化短文本情感分类准确率,有助于关注民众在网络上的情绪状态,维护社会稳定,净化网络环境,提升人民幸福感。【方法/过程】通过FastText算法生成字向量与词向量,对比两者在双向GRU的循环神经网络的训练效果,预测微博评论的情感分类。【结果/结论】研究结果表明,使用字向量训练可以降低模型过拟合的风险,本文提出的模型在准确率、精确率、召回率、F1分数四个指标上的分数都达到0.92以上,具有优秀的拟合能力和泛化能力。【创新/局限】本文根据理论为模型配置了独特的词嵌入层和循环神经网络层,模型在中文短文本二分类情感分析任务中表现优越,但在长文本或者三分类情感分析任务中的表现未知。