Multi-Task-Lernmodell basierend auf Multi-Scale CNN und LSTM zur Sentiment-Klassifikation

Die Sentiment-Klassifikation ist ein interessantes und wichtiges Forschungsthema im Bereich der natürlichen Sprachverarbeitung (NLP). Datengetriebene Methoden, einschließlich maschinelles Lernen und Techniken des tiefen Lernens, bieten eine direkte und effektive Lösung für das Problem der Sentiment-Klassifikation. Allerdings nimmt die Klassifikationsleistung ab, wenn die Eingabe Überprüfungskommentare für mehrere Aufgaben umfasst. Der geeignete Weg zur Konstruktion eines Sentiment-Klassifikationsmodells unter Mehrfachaufgaben bleibt im verwandten Bereich fraglich. In dieser Studie schlagen wir, zielt auf das Mehrfachaufgaben-Problem der Sentiment-Klassifikation ab, ein Multi-Task-Lernmodell basierend auf einem Multi-Scale-Convolutional-Neural-Network (CNN) und Long Short Term Memory (LSTM) für die Multi-Task Multi-Scale Sentiment-Klassifikation (MTL-MSCNN-LSTM) vor. Das Modell nutzt umfassend und behandelt angemessen globale Merkmale und lokale Merkmale unterschiedlicher Textskalen, um Sätze zu modellieren und darzustellen. Der Multi-Task-Lernrahmen verbessert die Qualität des Encoders und verbessert gleichzeitig die Ergebnisse der Emotionenklassifikation. Sechs verschiedene Arten von Datensätzen zu Produktbewertungen wurden im Experiment verwendet. Die Verwendung von Genauigkeit und F1-Score als Metriken zur Bewertung der Leistung des vorgeschlagenen Modells zeigt, dass das vorgeschlagene MTL-MSCNN-LSTM-Modell die meisten der bestehenden Methoden übertrifft.