面向深度学习网络的细粒度商品评价分析.pdfVIP

面向深度学习网络的细粒度商品评价分析.pdf

1402021，57（11）ComputerEngineeringandApplications计算机工程与应用

面向深度学习网络的细粒度商品评价分析

康月，薛惠珍，华斌

天津财经大学理工学院，天津300222

摘要：利用BERT预训练模型的优势，将句法特征与BERT词嵌入模型融入到深度学习网络中，实现细粒度的商品

评价分析。提出一种基于深度学习的两阶段细粒度商品评价情感分析模型，利用融合句法特征与BERT词嵌入的

BILSTM-CRF注意力机制模型提取用户评论中的商品实体、属性与情感词；运用BILSTM模型对提取的结果进行情

感分析。在SemEval-2016Task5和COAETask3商品评价数据集上的特征提取F1值达到88.2%，分别高出BILSTM

模型、BILSTM-CRF模型4.8个百分点、2.3个百分点；情感分类精度达到88.5%，比普通的RNN高出8个百分点，比支

持向量机、朴素贝叶斯等传统机器学习方法高出15个百分点。通过模型的复杂度分析，进一步证明融合句法特征与

BERT词嵌入后的深度学习模型，在细粒度商品评价情感分析上的优势。

关键词：情感分析；深度学习；BILSTM-CRF模型；BERT；注意力机制

文献标志码：A中图分类号：TP391.1doi：10.3778/j.issn.1002-8331.2007-0450

AnalysisofFine-GrainedCommodityEvaluationforDeepLearningNetwork

KANGYue,XUEHuizhen,HUABin

SchoolofScienceandTechnology,TianjinUniversityofFinanceEconomics,Tianjin300222,China

Abstract：SyntacticfeaturesandBERTwordembeddingmodelisintegratedintothedeeplearningnetworktoachieve

thefine-grainedcommodityevaluationanalysisbytakingadvantageoftheBERTpre-trainingmodel.Atwo-stagefine-

grainedcommodityevaluationsentimentanalysismodelbasedondeeplearningisproposed.Firstly,theBILSTM-CRF

attentionmechanismmodelwhichcombinessyntacticfeaturesandBERTwordembeddingisusedtoextractcommodity

entities,attributes,andemotionalwordsinuserreviews.Then,theBILSTMmodelisappliedtoanalyzethesentimentof

theextractedresults.TheF1valueoffeatureextractiononSemEval-2016Task5andCOAETask3commodityevaluation

datasetreaches88.2%,whichis4.8percentagepointsand2.3percentagepointshigherthanthatoftheBILSTMmodel

andBILSTM-CRFmodel,respectively.Theaccuracyofsentimentclassificationisupto88.5%,whichis8percentage

pointshigherthanordinaryRNN,and15percentagepointshigherthantraditionalmachinelearningmethods,suchas