基于双向编码器表征模型和并行混合网络的生鲜水果短文本情感分类

为了提升生鲜水果领域短文本情感分类的准确率，提出一种并行混合网络的情感分类模型。针对食品领域出现较多的一词多义现象，采用双向编码器表征模型（Bidirectional Encoder Representations from Transformers,BERT）来提供词的向量化表示；针对生鲜食品评论特殊的结构，采用分段池化卷积神经网络（Piecewise Convolutional Neural Network,PCNN）与双向门控循环单元（Bidirectional Gated Recurrent Unit,BiGRU）并行的模型来对文本序列进行特征的提取，最终使用Sigmoid来进行情感分类。为保证实验的公允，在公开数据集上进行实验，结果表明，本文提出的模型准确率达到了94.45%和85.88%。同时发现当PCNN选取合适的分段数之后，也能达到一个较好的效果，其准确率，召回率，F1值均高于复杂度更高的BiGRU模型。提出的模型在生鲜水果短文本的情感分类中表现良好，但是对于其他的生鲜食品表现未知。

Sentiment classification of fresh fruit short text based on bidirectional encoder representation model and parallel hybrid network