文献

J-GLOBAL ID：201802223065781571   整理番号：18A1945967

感情強度予測のための積層残留LSTMモデルの使用【JST・京大機械翻訳】

Using a stacked residual LSTM model for sentiment intensity prediction

著者 (3件)： Wang Jin (School of Information Science and Engineering, Yunnan University, Kunming, PR China) ,  Peng Bo (School of Information Science and Engineering, Yunnan University, Kunming, PR China) ,  Zhang Xuejie (School of Information Science and Engineering, Yunnan University, Kunming, PR China)
資料名： Neurocomputing  (Neurocomputing)
巻： 322  ページ： 93-101  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： テキストの感情強度は,正の感情との関連の強さを示し,それは0と1の間の連続的な実数値である。極性分類と比較して,テキストのための感情強度を予測することは,より細かい感情分析を達成することができた。単語埋め込み技術を導入することによって,深いニューラルモデルを使用する最近の研究は,感情強度予測のために既存の辞書と回帰ベースの方法を実行した。より良い性能のために,ニューラルネットワークの一般的な方法は,高レベルの特徴を学習するためにより多くの層を追加することである。しかし,深さが増加すると,ネットワークは劣化し,訓練が困難になる。層間の誤差を蓄積し,勾配を消滅させる。この問題に対処するために,本論文では,与えられたテキストに対する感情強度を予測するために,積層残差LSTMモデルを提案した。浅いおよび深いアーキテクチャの性能を調べることにより,8層ニューラルネットワークを構築するために,いくつかのLSTM層への残留接続を導入した。残留接続は,中心層勾配と伝搬誤差を中心とすることができる。したがって,それはより深いネットワークを最適化することを容易にする。このアプローチにより,このタスクに対してLSTMのより多くの層をうまくスタックすることが可能になり,既存の方法の予測精度を改善できる。実験結果は,提案した方法が,以前の研究で提案した語彙,回帰,および従来のNNベースの方法より優れていることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  最適化 ,  単語 ,  語彙 ,  実数 ,  計算機アーキテクチャ ,  ニューラルネットワーク ,  残差 ,  極性 ,  *予測
準シソーラス用語： 予測精度 ,  神経回路網モデル ,  感情分析 ,  テキスト , 【Automatic Indexing@JST】

著者キーワード (4件)： 感情強度予測 ,  積層残留LSTM ,  ニューラルネットワーク ,  感情分析

分類 (3件)： 人工知能  (JE08000Z) ,  応用心理学  (AE02000A) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (5件)： 感情 ,  予測 ,  残留 ,  LSTM ,  モデル