原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
总第60期2021年第12期
*
基于BAGCNN的方面级别情感分析研究
余本功1,2张书文1
1（合肥工业大学管理学院合肥230009）
2（合肥工业大学过程优化与智能决策教育部重点实验室合肥230009）
摘要:【目的】解决传统方面级别情感分析模型在词嵌入过程中未将上下文与方面词信息融合、需以复杂的
下游结构提取特征等问题。【方法】提出一种基于BERT的注意力门控卷积模型（BAGCNN），该模型由预训
练BERT模型生成融合上下文语义的文本和方面词特征表示，并引入多头自注意力机制解决方面词长距离
依赖问题，最后利用门控卷积网络并行地选择性提取与方面词信息相关的多层次上下文特征。【结果】实验
结果表明，与使用循环神经网络中效果最好的基准模型相比，本文模型精度在Restaurant、Laptop和Twitter三
个数据集上分别提升4.24、4.01和3.89个百分点，且模型下游并行结构尺寸减小了1.27MB。【局限】本文模型
在文本长度差异大的数据集中分类效果较差。【结论】在BERT和多头自注意力机制辅助下，BAGCNN模型
中门控卷积网络可有效过滤与方面词无关的上下文信息。
关键词:方面级别情感分析BERT多头自注意力机制门控卷积网络
分类号:TP391
DOI:10.11925/infotech.2096-3467.2021.0554
引用本文:余本功，张书文.基于BAGCNN的方面级别情感分析研究［J］.数据分析与知识发现，2021，5
（12）：37-47.(YuBengong,ZhangShuwen.Aspect-LevelSentimentAnalysisBasedonBAGCNN[J].Data
AnalysisandKnowledgeDiscovery,2021,5(12):37-47.)
1引言语句“thepriceisreasonablealthoughtheserviceis
poor”中，对“price”和“service”两方面分别表达的是
大数据时代，由互联网用户产生的数字信息爆
积极情感和消极情感。此时分析整体评论文本不能
炸式增长，其中用户评论信息占较大比重。现有研
精确提取用户对于产品各方面的情感信息，故需要
究表明，从评论信息中分析用户所表达的观点或态
采用方面级别情感分析方法。该方法可用于完成细
度具有实际应用价值，例如，分析股民的评价可以预
［1］粒度情感分析任务，即挖掘评论文本的不同方面情
测股票价格、分析顾客对产品的评价可进行用户
［2］感信息。
推荐、分析网友对时事热点的评价可进行舆情分
［3］基于机器学习的传统方面级别情感分析模型可
析。然而，通过人工从大量评论数据中挖掘信息
［4］
的过程费时费力，需要借助机器有针对性地提取信取得不错的分类效果，比如由Kiritchenko等提出
息并分析其产生的价值。情感分析作为自然语言处的基于SVM模型训练的情感分析模型。然而，此类
理领域的分支，能够分析评论文本所传达的情感极模型依赖于大量复杂的特征工程，构建特征工程的
性，因此该研究领域受到众多研究人员的重视。过程需要相关领域专家的知识支撑，并且该过
文档评论（0）