李多娇，何成万，雷 力

(武汉工程大学 计算机科学与工程学院，湖北 武汉 430205)

0 引 言

由于微博文本每日新增数量巨大，传统的人工审阅方式显然无法保证时效。此时，基于机器学习的文本情感分析技术就发挥了非常重要的作用。深度学习(deep lear-ning，DL)在很多NLP任务中有较好结果[1-6]，主要是是卷积神经网络(CNN)和循环神经网络(RNN)的应用。然而这两大主流网络也存在缺陷，CNN网络在池化层会导致重要信息的丢失，忽视了上下文关联性。传统的RNN存在梯度消失和梯度爆炸的问题，不能很好地记忆上下文信息。针对以上问题，本文提出基于BiGRU网络和胶囊网络的联合神经网络模型。通过Glove训练词向量；使用BiGRU网络获得文本的上下文信息；利用胶囊网络学习文本局部特征。结合两种网络的各自优势，提高了文本情感分析的准确率，在IMDB数据集上的实验结果验证了该模型的有效性。

1 相关工作

近年来，随着深度学习技术在图像处理方面广泛应用，也成为文本情感分析的主流技术。王志涛等[7]通过增加新感情词扩充已有情感词典来实现情感分类。Turney等[8]通过计算词与种子词同时出现的概率来完成分类任务。机器学习需要人工完成标签，耗时较长。Kim[9]使用CNN完成句子建模，解决情感分类问题。Lai等[10]利用双向CNN获取上下文特征。

RNN可以有效地记忆文本语义特征，但是存在梯度消失问题，于是RNN衍生出了多个变种神经网络模型。长短时记忆网络(long short-term memory，LSTM)可以提取长距离的语义特征。Zhou等[11]提出的C-LSTM模型忽略了上下文的特征。……