基于AM-CNN算法下多特征融合实现文本分析

摘要：

为了解决在线教育中教师如何实时了解到学生的情绪变化,使得授课效果最大化,提出一种基于课程评价文本的自动文本分析系统.该系统首先将非结构的文本数据转化为深度学习框架可识别的结构化数据,利用卷积神经网络和注意力机制联合构建深度学习网络模型,将结构化数据分别通过全局注意力机制、位置注意力机制与词性注意力机制进行预处理;然后通过卷积神经网络对预处理后的数据特征进行进一步提取与融合;最后对结构化数据集进行训练和预测.利用中国大学MOOC网上《大数据技术原理与应用》的课程评价文本进行预测,结果显示出模型的可行性.同时,为了证明模型的有效性和迁移能力,将课程评价文本以及SemEval数据集对提出的AM-CNN网络模型进行验证,结果显示相比于传统模型,AM-CNN模型在精准率、召回率、F1测度和准确率方面均取得明显的提升.

关键词：文本识别、特征融合、学生情绪、情感分析、卷积神经网络、注意力机制、位置编码、词性编码

所属期刊栏目：44

分类号：TN711-34;TP312(基本电子电路)

资助基金：国家自然科学基金;湖北省自然科学基金

在线出版日期：2021-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：65-70