孫敏，李旸，莊正飛，錢濤

（安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院，安徽合肥230036）

0 引言

生活在互聯(lián)網(wǎng)技術(shù)快速發(fā)展的時(shí)代，使用互聯(lián)網(wǎng)技術(shù)通過社交網(wǎng)絡(luò)進(jìn)行即時(shí)通訊、發(fā)布信息、表達(dá)情感等已是一種普遍現(xiàn)象。情感分析［1］（sentiment analysis），又稱傾向性分析，意見抽?。╫pinion extraction），意見挖掘（opinion mining），情感挖掘（sentiment mining），主觀分析（subjec?tivity analysis），其主要任務(wù)就是對用戶生成的文本內(nèi)容進(jìn)行分析，以此來判定文本中的情感極性：積極、中性或消極。

1990年，Elman［2］提出循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）模型，RNN的輸出取決于當(dāng)前的輸入和上一個(gè)節(jié)點(diǎn)輸出的結(jié)果，可以學(xué)習(xí)上下文的語義信息，但容易出現(xiàn)梯度消失問題。為 了 解 決 此 問 題，1997年，Hochreiter等［3］提 出 長 短 時(shí) 記 憶（long short-term memory，LSTM）網(wǎng)絡(luò)，LSTM通過加入“門”機(jī)制改善了RNN的梯度消失，但LSTM的結(jié)構(gòu)復(fù)雜，導(dǎo)致訓(xùn)練時(shí)間長、參數(shù)較多等問題。Cho等［4］進(jìn)一步將LSTM的單元狀態(tài)和隱層狀態(tài)進(jìn)行合并，提出一種結(jié)構(gòu)較為簡單的門限循環(huán)單元（gated recurrent unit，GRU）網(wǎng)絡(luò)模型。雙向門限循環(huán)單元（bi?directional gated recurrent unit，BGRU）網(wǎng)絡(luò)模型由一個(gè)單向向前傳播的GRU和一個(gè)單向向后傳播的GRU組成，輸出結(jié)果由這兩個(gè)GRU共同決定。劉洋［5］首先采用GRU對時(shí)間序列進(jìn)行預(yù)測，再對其結(jié)果進(jìn)行二階指數(shù)平滑優(yōu)化，提高時(shí)間序列預(yù)測的精度。李驍?shù)龋?］利用BGRU對互聯(lián)網(wǎng)文本信息進(jìn)行序列自動(dòng)標(biāo)注，可以快速、準(zhǔn)確地提取輸入序列的特定信息。2014年，GoogleMind團(tuán)隊(duì)首次提出采用內(nèi)容注意力機(jī)制做圖像分類，有效提高了圖像識(shí)別精度［7］。隨后，Bahdanau等［8］將注意力機(jī)制應(yīng)用到自然語言處理（natural language processing，NLP）領(lǐng)域，使用注意力機(jī)制將源語言端每個(gè)詞學(xué)到的表達(dá)和預(yù)測翻譯的詞聯(lián)系起來，提高了翻譯的準(zhǔn)確率。2017年，谷歌提出自注意力機(jī)制（Self-Attention）并用于機(jī)器翻譯取得了更好的翻譯效果。自注意力機(jī)制依賴更少的參數(shù)，僅需關(guān)聯(lián)單個(gè)序列的不同位置以計(jì)算序列的表示，更容易獲取文本內(nèi)部依賴關(guān)系，使模型能夠更好地學(xué)習(xí)文本特征［9］。趙勤魯?shù)龋?0］使用LSTM-Attention網(wǎng)絡(luò)模型實(shí)現(xiàn)文本特征提取。LSTM提取詞語與詞語以及句子與句子的特征信息，分層注意力機(jī)制關(guān)注重要的詞語和句子，有效提取文本特征，準(zhǔn)確率得到了一定的提升。田生偉等［11］采用注意力機(jī)制和雙向長短時(shí)記憶（bidirectional long short-term memory，BLSTM）結(jié)合的方法對維吾爾語事件時(shí)序關(guān)系進(jìn)行識(shí)別，該方法可以同時(shí)獲取事件隱含語義信息和事件語義特征，融合事件內(nèi)部結(jié)構(gòu)特征后，實(shí)驗(yàn)證明了該方法在維吾爾語事件時(shí)序關(guān)系識(shí)別任務(wù)上的有效性。黃兆瑋等［12］結(jié)合GRU和注意力機(jī)制進(jìn)行遠(yuǎn)程監(jiān)督關(guān)系抽取，采用GRU神經(jīng)網(wǎng)絡(luò)提取文本特征，然后在實(shí)體對上構(gòu)建句子級(jí)的注意力機(jī)制，準(zhǔn)確率、召回率和PR曲線都取得了比較顯著的進(jìn)步。王偉等［13］提出基于BGRU-Attention文本情感分類模型，先使用BGRU提取文本深層次信息的特征；再使用注意力機(jī)制分配相應(yīng)的權(quán)重；最后進(jìn)行情感分類，也驗(yàn)證了所提模型的有效性。吳小華等［14］提出使用自注意力機(jī)制和BLSTM對中文短文本進(jìn)行情感分析。首先，對文本進(jìn)行字向量化表示，采用BLSTM提取文本上下文語義特征信息，再通過自注意力機(jī)制動(dòng)態(tài)調(diào)整特征權(quán)重，由softmax分類器得到情感類別。由于BLSTM結(jié)構(gòu)較為復(fù)雜，導(dǎo)致模型的訓(xùn)練時(shí)間較長、參數(shù)較多等問題，因此本文將文本用Global Vector（GloVe）向量化，提出基于BGRU和自注意力機(jī)制的情感分析模型，實(shí)驗(yàn)結(jié)果證明了該方法的有效性。

1 基于BGRU和自注意力機(jī)制的情感分析模型

對于短文本t=（w1，w2，…，wn），其中wi為文本中的第i個(gè)字，短文本的情感分析實(shí)際上就是對短文本t進(jìn)行特征的提取并對其進(jìn)行分析，最終確定其所屬的情感類別。一般情況下中性的情感意義并不大，所以本文主要把情感分為兩個(gè)極性，即正向情感和負(fù)向情感，也稱積極情感和消極情感。基于BGRU和自注意力機(jī)制的情感分析模型包括詞向量輸入層、雙向門控循環(huán)網(wǎng)絡(luò)層、自注意力層、sigmoid層，模型結(jié)構(gòu)如圖1所示。

圖1基于BGRU和自注意力機(jī)制的情感分析模型結(jié)構(gòu)Fig.1 Sentiment analysis model structure based on BGRU and self-attention mechanism

1.1 詞向量輸入層

利用深度學(xué)習(xí)方法進(jìn)行文本分類的情感分析首先需要將文本進(jìn)行向量化，即把文本用詞向量的形式進(jìn)行表示。常用的文本向量表示方法主要有基于向量空間模型、one-hot模型和Word2Vec模型。向量空間模型中詞向量維度與詞典中詞的個(gè)數(shù)呈線性相關(guān)，如果詞典中詞數(shù)不斷增多則會(huì)引起維度災(zāi)難；one-hot的向量表示很簡單但忽略了詞與詞語義的相關(guān)性；Word2Vec模型中包括兩種構(gòu)建詞向量的方法，都是基于局部上下文信息的方法，分別為CBOW和Skip-Gram。Global Vector融合了矩陣分解的全局統(tǒng)計(jì)信息和局部上下文信息的優(yōu)勢，不僅可以加快模型的訓(xùn)練速度，而且還可以控制詞的相對權(quán)重。因此，本文使用Global Vector詞向量訓(xùn)練方法。

1.2 雙向門控循環(huán)網(wǎng)絡(luò)層

標(biāo)準(zhǔn)的循環(huán)神經(jīng)網(wǎng)絡(luò)在處理文本時(shí)，只能向前傳播獲取當(dāng)前文本的上文信息，沒有考慮到下文信息對當(dāng)前預(yù)測結(jié)果的影響。Schuster等［15］提出雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（bidrectional recurrent neural networks，BRNN）模型解決循環(huán)神經(jīng)網(wǎng)絡(luò)未考慮到下文信息對當(dāng)前預(yù)測結(jié)果的影響，使用正反兩個(gè)方向的RNN處理正反向的序列，最后將二者的輸出連接到同一個(gè)輸出層，在獲取文本上文信息的同時(shí)獲取文本的下文信息。將BRNN中的隱含層神經(jīng)元換成GRU記憶神經(jīng)單元，即可得到雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)。給定一個(gè)n維輸入（x1，x2，…，xn），其中xt（t=1，2，…，n）是詞向量。在t時(shí)刻：BGRU的輸出由兩個(gè)相反方向的GRU共同組合決定。具體的計(jì)算公式如下：

1.3 自注意力層

注意力機(jī)制可以得到稀疏數(shù)據(jù)中的重要特征，其本質(zhì)是一個(gè)query（Q）到一系列（key（K）-value（V））鍵值對的映射，首先將query和每個(gè)key通過點(diǎn)積、拼接或感知器等相似度函數(shù)計(jì)算得到權(quán)重；其次通過softmax函數(shù)對計(jì)算得出的權(quán)重進(jìn)行歸一化處理；最后將權(quán)重和與之相對應(yīng)的value加權(quán)求和得出最后的Attention。當(dāng)K=V=Q時(shí)，即自注意力機(jī)制，處理文本時(shí)會(huì)直接將一個(gè)句子中任意兩個(gè)單詞的聯(lián)系通過一個(gè)計(jì)算步驟直接聯(lián)系起來，獲取句子內(nèi)部的詞依賴關(guān)系、句子的內(nèi)部結(jié)構(gòu)以及同一個(gè)句子中單詞之間的一些句法特征或者語義特征，更有利于有效地獲取遠(yuǎn)距離相互依賴的特征。除此之外，自注意力機(jī)制還可以增加計(jì)算的并行性。計(jì)算公式如下所示：

其中Q∈Rn是BGRU的n維輸出向量是調(diào)節(jié)因子，一般為詞向量的維度，主要避免因QKT內(nèi)積結(jié)果過大導(dǎo)致softmax不是1就是0的情況。

1.4 模型訓(xùn)練

本文訓(xùn)練BGRU和自注意力的情感分析模型中的參數(shù)包括雙向門限循環(huán)神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制中的全部參數(shù)。本模型使用的優(yōu)化器是Adam，因?yàn)锳dam優(yōu)化器結(jié)合了RMSProp和AdaGrad二者的優(yōu)點(diǎn)，還可以計(jì)算參數(shù)的自適應(yīng)學(xué)習(xí)率。為了防止在訓(xùn)練過程中過擬合，在BGRU神經(jīng)網(wǎng)絡(luò)之后加入Dropout函數(shù)，通過在每一次的迭代中隨機(jī)丟棄部分訓(xùn)練參數(shù)來提高模型的泛化能力。本模型使用Sigmoid函數(shù)進(jìn)行分類：

其中j表示類別，文中主要分為積極和消極，取值是1或者0。θ為本文模型中的任意參數(shù)。訓(xùn)練模型的參數(shù)θ使用的損失函數(shù)是交叉熵?fù)p失函數(shù)。本文總樣本為(X,Y)=((x1,y1),(x2,y2),…,(xi,yt),…,(xN,yN)),X為評(píng)論文本，Y為評(píng)論文本真實(shí)的標(biāo)簽，取值是0或者1。交叉熵?fù)p失函數(shù)的計(jì)算公式如下：

其中xi為評(píng)論文本，yt為評(píng)論文本的真實(shí)標(biāo)簽，yp為該評(píng)論文本屬于積極類別的概率，N為樣本總數(shù)。

2 實(shí)驗(yàn)過程

本文的實(shí)驗(yàn)在公開帶有情感標(biāo)簽的電影評(píng)論IMDB數(shù)據(jù)集上，對本文提出的情感模型進(jìn)行驗(yàn)證和分析。實(shí)驗(yàn)環(huán)境具體配置如表1所示。

表1實(shí)驗(yàn)環(huán)境配置Tab.1 Configuration of the experimental environment

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)的數(shù)據(jù)主要來自于電影評(píng)論IMDB數(shù)據(jù)集，電影情感評(píng)論的標(biāo)簽主要分為兩種0或者1，如果情感評(píng)論是積極的標(biāo)記為1，情感評(píng)論是消極的標(biāo)記為0。數(shù)據(jù)集的劃分情況如表2所示。

表2數(shù)據(jù)集Tab.2 Data set

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)參數(shù)的設(shè)置直接影響模型的分類效果，但實(shí)驗(yàn)中又有很多的超參數(shù)需要設(shè)置與調(diào)整，實(shí)驗(yàn)在每一次迭代完成之后，會(huì)根據(jù)準(zhǔn)確率和損失率對所設(shè)置的超參數(shù)進(jìn)行調(diào)整，經(jīng)過多次實(shí)驗(yàn)以及多次迭代具體的參數(shù)設(shè)置見表3。

表3參數(shù)設(shè)置Tab.3 Parameter settings

2.3 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

評(píng)價(jià)是實(shí)驗(yàn)中一個(gè)重要的環(huán)節(jié)，可以直接反映出模型的好壞，本實(shí)驗(yàn)在電影評(píng)論情感分析的樣本上采用準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1-Measure作為評(píng)價(jià)情感分析結(jié)果好壞的標(biāo)準(zhǔn)。準(zhǔn)確率評(píng)估的是對模型正確分類的能力；精確率評(píng)估的是查準(zhǔn)率；召回率評(píng)估的是查全率；F1-Measure是綜合評(píng)價(jià)指標(biāo)。

其中TP表示積極分類預(yù)測為積極分類數(shù)；FN表示積極分類預(yù)測為消極分類數(shù)；FP表示消極分類預(yù)測為積極分類數(shù)；TN表示消極分類預(yù)測為消極分類數(shù)。

2.4 詞向量維度的選擇

詞向量能夠有效地反映詞與詞之間的關(guān)聯(lián)度以及語義信息，理論上來說詞向量維度越大越好，但實(shí)際應(yīng)用中需要考慮實(shí)驗(yàn)的整體性能和整體代價(jià)，從而選出最合適的詞向量維度。表4為不同詞向量維度的模型實(shí)驗(yàn)結(jié)果，由表4可知，當(dāng)詞向量維度為50時(shí)，模型的整體性能最差，主要是因?yàn)樵~向量維度過小，使得詞中包含的上下文相互影響的語義信息較少；當(dāng)詞向量維度為200時(shí)，模型的整體性能最好，訓(xùn)練的時(shí)間相對較小，主要是因?yàn)樵~中上下文的關(guān)聯(lián)度比較大，包含更豐富的文本語義信息。因此本模型把詞向量的維度設(shè)置成200。

表4不同詞向量維度的模型實(shí)驗(yàn)結(jié)果Tab.4 Experimental results of models with different words vector dimensions

2.5 BGRU隱藏層節(jié)點(diǎn)數(shù)的選擇

表5為不同節(jié)點(diǎn)數(shù)的模型實(shí)驗(yàn)結(jié)果，由表5可知，當(dāng)BGRU隱含層節(jié)點(diǎn)數(shù)為50時(shí)，模型的準(zhǔn)確率和F1-Measure最低，因?yàn)楣?jié)點(diǎn)數(shù)過少不能夠完全提取語義信息；當(dāng)節(jié)點(diǎn)數(shù)由50增加到100時(shí)，模型的準(zhǔn)確率和F1-Measure達(dá)到最大；隨著節(jié)點(diǎn)數(shù)的繼續(xù)增加，準(zhǔn)確率和F1-Measure都呈現(xiàn)下降的趨勢，說明當(dāng)節(jié)點(diǎn)數(shù)不斷增加時(shí)，模型的整體性能越來越差。所以，本實(shí)驗(yàn)中BGRU隱含層節(jié)點(diǎn)數(shù)選擇為100。

表5不同節(jié)點(diǎn)數(shù)的模型實(shí)驗(yàn)結(jié)果Tab.5 Experimental results of models with different number of nodes

2.6 Dropout值的選擇

Dropout主要是為了解決訓(xùn)練過程中產(chǎn)生的過擬合現(xiàn)象。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中以特定概率值隨機(jī)丟棄一定數(shù)量的神經(jīng)元，只讓部分神經(jīng)元參與模型的訓(xùn)練和參數(shù)的學(xué)習(xí)，保證模型在訓(xùn)練學(xué)習(xí)參數(shù)的過程中無法過度依賴于某些局部特征，能夠提升模型的訓(xùn)練效率和泛化能力，不同Dropout值的模型實(shí)驗(yàn)結(jié)果如表6所示。當(dāng)Dropout取值為0.5時(shí)，模型的準(zhǔn)確率最高，整體性能最好。

表6不同Dropout值的模型實(shí)驗(yàn)結(jié)果Tab.6 Experimental results of models with different Dropout values

2.7 對比實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)?zāi)Ｐ团c以下幾種常見模型進(jìn)行對比分析。為了使對比的結(jié)果更具有可比性和準(zhǔn)確性，所有模型詞向量的輸入都是GloVe200維，每個(gè)對比模型中的參數(shù)值選取都一樣。

1）LSTM：LSTM在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入了門限控制。本文對比實(shí)驗(yàn)使用的是Zaremba等［16］描述的網(wǎng)絡(luò)結(jié)構(gòu)作為標(biāo)準(zhǔn)模型，并設(shè)置LSTM隱含層節(jié)點(diǎn)數(shù)為100。

2）BLSTM：采用Zaremba等［16］描述的LSTM網(wǎng)絡(luò)來構(gòu)建BLSTM網(wǎng)絡(luò)模型，可以同時(shí)考慮上下文信息。本文設(shè)置BLSTM隱含層節(jié)點(diǎn)數(shù)為100。

3）BGRU：BGRU在BLSTM基礎(chǔ)上減少“門”的數(shù)量，使結(jié)構(gòu)更加簡單。其中本文設(shè)置BGRU隱含層節(jié)點(diǎn)數(shù)為100。

4）Self-Attention：此模型只包含自注意力機(jī)制。

5）BGRU+Self-Attention：此模型主要將雙向門限循環(huán)網(wǎng)絡(luò)和自注意力機(jī)制并聯(lián)對文本進(jìn)行情感分析，其中設(shè)置BGRU隱含層節(jié)點(diǎn)數(shù)為100。

6）BGRU-Self-Attention：文本提出的將雙向門限循環(huán)網(wǎng)絡(luò)和自注意力機(jī)制以鏈?zhǔn)椒绞浇Y(jié)合對文本進(jìn)行情感分析，其中設(shè)置BGRU隱含層節(jié)點(diǎn)數(shù)為100。

3 實(shí)驗(yàn)結(jié)果

3.1 6種模型的評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)在測試集上計(jì)算出準(zhǔn)確率、精確率、召回率和F1-Measure，具體模型實(shí)驗(yàn)結(jié)果見表7。

表7 6種模型的實(shí)驗(yàn)結(jié)果Tab.7 Experimental results of six models

由表7可知，本文提出的BGRU-Self-Attention模型的Accuracy、Precision、Recall和F1-Measure這4個(gè)評(píng)價(jià)指標(biāo)分別為91.23%、91.21%、91.24%和91.23%，其中Accuracy和F1-Measure均優(yōu)于其他的5種模型。通過LSTM和BLSTM對比的實(shí)驗(yàn)結(jié)果可知，在LSTM基礎(chǔ)上增加了向后傳播單元的BLSTM可以同時(shí)考慮上下文信息，因此得到的情感極性的分類更準(zhǔn)確；通過對比BLSTM和BGRU的實(shí)驗(yàn)結(jié)果可知，減少了“門”數(shù)量的BGRU，使得模型結(jié)構(gòu)相對簡單，減少了訓(xùn)練的參數(shù)，分類的準(zhǔn)確率也得到了一定的提升；通過對比BGRU+Self-Attention和BGRU-Self-Attention的結(jié)果可知，將BGRU和Self-Attention以并行的方式進(jìn)行融合的結(jié)果要遠(yuǎn)遠(yuǎn)低于將BGRU和Self-Attention以鏈?zhǔn)椒绞竭M(jìn)行融合，主要可能是因?yàn)榉謩e利用BGRU和Self-Attention對文本上下文語義信息的獲取和關(guān)注文本中詞的重要程度，再將二者的特征進(jìn)行融合，降低了文本中詞與詞之間的相似度，然而鏈?zhǔn)降娜诤戏椒ㄊ鞘紫壤肂GRU提取文本的上下文信息，對提取得到的信息再通過自注意力機(jī)制動(dòng)態(tài)調(diào)整特征的權(quán)重，有利于模型快速抓住最重要的特征。通過對比BGRU+Self-Attention、BGRU-Self-Attention和任意的單個(gè)LSTM、BLSTM、BGRU和Self-Attention模型的結(jié)果可知，兩種模型的組合在情感分析的任務(wù)中要比單個(gè)LSTM、BLSTM、BGRU和Self-Attention模型效果好，其原因在于組合模型利用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)提取序列化特征上下文的學(xué)習(xí)能力，自注意力機(jī)制動(dòng)態(tài)調(diào)整特征的權(quán)重，更容易捕獲句子中長距離的相互依賴的特征。

3.2 6種模型準(zhǔn)確率與迭代次數(shù)的關(guān)系

選擇IMDB數(shù)據(jù)集，參數(shù)設(shè)置參考表3（其中詞向量維度為200，BGRU隱藏層節(jié)點(diǎn)數(shù)為100，Dropout值為0.5），6種模型準(zhǔn)確率隨迭代次數(shù)的變化見圖2，由圖2可知，隨著迭代次數(shù)的增加，各個(gè)模型的準(zhǔn)確率大體都在逐漸增加。除Self-Attention模型外，在第二次迭代時(shí)所有模型的準(zhǔn)確率都達(dá)到86%以上。本文模型的曲線相對于其他5條曲線變化比較平穩(wěn)、波動(dòng)較小，驗(yàn)證集準(zhǔn)確率的值處于較高的位置，尤其在第7次迭代后達(dá)到93%以上，說明本文模型在提取文本特征情感分析任務(wù)中表現(xiàn)更穩(wěn)定。

圖2 6種模型驗(yàn)證集準(zhǔn)確率與迭代次數(shù)的關(guān)系Fig.2 Relationship of accuracy and iteration number of verification set for six models

3.3 6種模型損失率與迭代次數(shù)的關(guān)系

選擇IMDB數(shù)據(jù)集，參數(shù)設(shè)置參考表3（其中詞向量維度為200，BGRU隱藏層節(jié)點(diǎn)數(shù)為100，Dropout值為0.5），6種模型損失率隨迭代次數(shù)的變化見圖3，由圖3可知，Self-Attention模型相對于其他的5種模型損失率變化波動(dòng)最大而且極其不穩(wěn)定；而本文所使用的模型損失率下降速度較快且很快到達(dá)了一個(gè)相對較低的穩(wěn)定值，說明本文設(shè)計(jì)的模型取得了較好的收斂效果。

圖3 6種模型驗(yàn)證集損失率與迭代次數(shù)的關(guān)系Fig.3 Relationship of loss rate and iteration number of verification set for six models

3.4 6種模型迭代時(shí)間與迭代次數(shù)的關(guān)系

迭代時(shí)間指的是完成一次實(shí)驗(yàn)所需要的時(shí)間。圖4為迭代時(shí)間隨迭代次數(shù)的變化曲線?？傮w來看各個(gè)模型的迭代時(shí)間沒有很大的波動(dòng)，整體時(shí)間呈平穩(wěn)趨勢。Self-Attentin模型和LSTM模型的迭代時(shí)間最短，主要原因是自注意力處理句子中的每個(gè)詞時(shí)會(huì)和該句子中的所有詞進(jìn)行注意力計(jì)算，因此增加了計(jì)算的并行性。LSTM只提取一個(gè)方向的語義信息；BGRU是BLSTM的一種改進(jìn)，減少“門”的數(shù)量，并把細(xì)胞狀態(tài)和隱藏狀態(tài)結(jié)合在一起，因此結(jié)構(gòu)更加簡單，訓(xùn)練參數(shù)減少，因此訓(xùn)練的時(shí)間也降低很多；本文提出模型的迭代時(shí)間高于BGRU和Self-Attention，因?yàn)锽GRU會(huì)提取文本的上下文語義信息，之后再將提取得到的信息用自注意力獲取遠(yuǎn)距離相互依賴的特征，訓(xùn)練時(shí)間肯定比單個(gè)模型訓(xùn)練時(shí)間長。

圖4 6種模型迭代時(shí)間與迭代次數(shù)的關(guān)系Fig.4 Relationship of iteration time and iteration number for six models

4 結(jié)語

本文提出一種基于BGRU和自注意力機(jī)制的情感分析方法，該方法首先用GloVe將文本轉(zhuǎn)換為詞向量，即對文本進(jìn)行向量化表示之后通過雙向門限循環(huán)網(wǎng)絡(luò)獲取上下文的語義特征信息，然后引入自注意力機(jī)制對提取得到的特征進(jìn)行重要程度動(dòng)態(tài)調(diào)整，從而提高模型對文本類別的分類能力，在IMDB數(shù)據(jù)集上實(shí)驗(yàn)證明了基于BGRU和自注意力機(jī)制算法在文本情感分類方面的有效性。盡管本模型在IMDB數(shù)據(jù)集上的準(zhǔn)確率、綜合評(píng)價(jià)指標(biāo)較高，損失率較低，但是如果數(shù)據(jù)集的數(shù)量比較大，準(zhǔn)確率和綜合評(píng)價(jià)指標(biāo)可能會(huì)有所下降，同時(shí)訓(xùn)練的時(shí)間有所增加，且GRU等序列模型屬于遞歸模型，并行能力相對較弱，后續(xù)研究將就這兩方面做出改進(jìn)。