文献

J-GLOBAL ID：201902212642686547   整理番号：19A2679357

文書レベル感情分類のための注意ベース双方向ゲート回帰ニューラルネットワークと二次元畳込みニューラルネットワークの結合【JST・京大機械翻訳】

Combining attention-based bidirectional gated recurrent neural network and two-dimensional convolutional neural network for document-level sentiment classification

著者 (4件)： Liu Fagui (School of Computer Science and Engineering, South China University of Technology, Guangzhou 510006, China) ,  Zheng Jingzhong (School of Computer Science and Engineering, South China University of Technology, Guangzhou 510006, China) ,  Zheng Lailei (School of Computer Science and Engineering, South China University of Technology, Guangzhou 510006, China) ,  Chen Cheng (School of Computer Science and Engineering, South China University of Technology, Guangzhou 510006, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 371  ページ： 39-50  発行年： 2020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： ニューラルネットワークは,特徴抽出の能力により感情分類に大きな成功を達成した。しかしながら,文書レベルの感情分類における長いテキストをモデル化し,文章間の意味論と特徴間の依存性を調査することは,膨大な課題として残っている。さらに,ほとんどの既存の方法は,文書表現を構築するとき,異なるコンテンツの重要性をほとんど区別することができない。これらの問題に取り組むために,著者らは新しいニューラルネットワークモデルを提案した。それは主に2つの部分で構成されているAttDR-2DCNNである。第一の部分は,第一層が文章の特徴ベクトルを学習し,第二層が文章ベクトルからの時間ステップ次元と特徴次元の二次元から成る文書行列表現を学習する文書の組成意味を得るために,二層組成双方向性反復ユニット(GRU)を利用する。第二の部分は,二次元畳込み操作と二次元最大プールを適用し,文章特徴間のより多くの依存性を獲得する。これらの2つの部分における異なるタイプの注意メカニズムをさらに利用し,文書における単語,文章および特徴の重要性を区別した。実験は,4つの公開可能な文書レベルレビューデータセットに関して実施して,結果は,提案したモデルがいくつかの既存のモデルより優れていることを示した。Copyright 2019 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： *二次元 ,  モデリング ,  特徴抽出 ,  *ニューラルネットワーク ,  ベクトル ,  単一層 ,  単語 ,  意味論 ,  コンテンツ ,  *ネットワーク ,  *畳込み
準シソーラス用語： 二層 ,  テキスト ,  *畳込みニューラルネットワーク ,  *感情分類 , 【Automatic Indexing@JST】

著者キーワード (4件)： 感情分類 ,  注意ネットワーク ,  2DCNN ,  双方向Gru

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 文書 ,  感情分類 ,  注意 ,  双方向 ,  ゲート ,  ニューラルネットワーク ,  畳込みニューラルネットワーク