毕业设计 lstm与attention机制的中文情感分析系统_引入attention机制的lstm文本情感分析

---

0 前言

基于lstm与attention机制的中文情感分析系统

提示：适合用于课程设计或毕业设计，工作量达标，源码开放

---

1 简介

在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值，并且在互联网行业有极其广泛的应用，主要用于个性化推荐、智能搜索、产品反馈、业务安全等。本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。

2 实验环境

tensorflow 1.8.0-gpu, python-3.5.6

3 模型架构

4 参数设置

• 学习率: 3e-4
  学习率尝试过1e-4、3e-4、1e-3等，发现取3e-4时F1值和1e-3差不多，但是取3e-4时模型的最终loss更低。
• dropout: 1.0
  dropout尝试过0.5、0.75以及1.0，发现取1.0的时候效果最好，0.5的时候效果最差。
• 句子截断长度：350个词语 句子截断长度取350个词语时，仅5%的评论被截断，其余不足350个词语的评论在词嵌入的时候补0。
• 词向量维度：300
  词向量维度尝试过250、300、350等，但是对模型的性能提升不大，一般都选用300。（维度过高会延长训练时间）
• batchSize：32

5 完成情况

单个模型最好的F1指标为：75.04
整体20个模型的综合F1指标为：68

6 最后