Classificação de Sentimento de Texto com DNN Híbrido Ciente de Sentimento e Contexto com Atenção

Um volume massivo de dados não estruturados na forma de comentários, opiniões e outros tipos de dados é gerado em tempo real com o crescimento da web 2.0. Devido à natureza não estruturada dos dados, construir um modelo preditivo preciso para análise de sentimento continua sendo uma tarefa desafiadora. Embora várias arquiteturas de DNN tenham sido aplicadas à análise de sentimento com resultados encorajadores, elas sofrem com o espaço de características de alta dimensão e consideram várias características igualmente. Métodos de ponta não conseguem aproveitar adequadamente o conhecimento semântico e de sentimento para extrair características de sentimento contextual relevantes significativas. Este artigo propõe um modelo híbrido de DNN ciente de sentimento e contexto com um mecanismo de atenção que aprende e destaca inteligentemente características salientes do contexto de sentimento relevante no texto. Primeiro, usamos léxicos de sentimento de cobertura ampla integrados para identificar características de sentimento do texto e depois aproveitamos a representação de codificador bidirecional de transformadores para produzir embeddings de palavras aprimorados por sentimento para extração semântica do texto. Depois, a abordagem proposta adapta o BiLSTM para capturar tanto a ordem das palavras/informações semânticas contextuais do texto quanto a relação de longa dependência na sequência de palavras. Nosso modelo também emprega um mecanismo de atenção para atribuir peso às características e dar maior importância às características salientes na sequência de palavras. Finalmente, CNN é utilizada para reduzir a dimensionalidade do espaço de características e extrair as principais características locais para análise de sentimento. A eficácia do modelo proposto é avaliada em conjuntos de dados de referência do mundo real, demonstrando que o modelo proposto melhora significativamente a precisão da classificação de sentimento do texto existente.