李 源，崔玉爽，王 伟

(1.安阳工学院 计算机科学与信息工程学院，河南 安阳 455000；2.信阳师范学院 计算机与信息技术学院，河南 信阳 464000)

近几年，在“互联网+”的背景下，各种网络信息平台不断增加，人们的生活习惯也随之发生了巨大变化，越来越多的用户开始在网络大众平台上发表自己的观点和看法。但这一变化导致在互联网上产生了海量的具有个人情感倾向的文本信息。如何有效地从这些主观信息中挖掘出人们对某份商品、某项政策和某个事件的态度和意见，这将促使自然语言处理成为当前热门研究领域的原因[1-2]。目前，在文本分类任务中最为常用的方法有两类，即基于情感词典的方法和基于机器学习(Machine Learning，ML)的方法。但随着网络信息的喷井式爆发，以往使用的朴素贝叶斯、支持向量机(Support Vector Machine，SVM)等浅层机器学习方法已经无法满足对海量数据处理的要求，而深度学习的出现刚好弥补了这一缺陷，并在情感分类上获得了很好的效果，其研究成果十分显著[3-5]。文献[6]中提出的英文文本分类模型，利用CNN实现句子级别的分类，有效降低了任务中特征工程的依赖性，其分类效果也得到了质的飞跃。TAI等人利用长短时记忆神经网络(Long Short-Term Memory，LSTM)模型有效解决了情感分析中时序联系问题，并实现了较优的分类效果[7]。潘晓英等提出的基于BiLSTM网络和Attention的情感分类模型，利用Attention减少了文本中的冗余噪音，有效增强了模型的目标特征选择能力[8]。尽管深度学习在情感分析任务中获得了不俗的成就，但对于句子含义比较模糊且具有歧义的文本来说，还是无法精准全面的提取文本信息特征，导致其准确率大大降低，从而使其分类效果变差。……