返回内容

软件系统和计算方法

正确的文章链接:

Banokin P.I., Efremov A.A., Luneva E.E., Kochegurova E.A. 循环LSTM网络在寻找用户-社交网络专家任务中的适用性研究 // 软件系统和计算方法. 2017. № 4. С. 53-60. DOI: 10.7256/2454-0714.2017.4.24655 URL: https://cn.nbpublish.com/library_read_article.php?id=24655

循环LSTM网络在寻找用户-社交网络专家任务中的适用性研究

Banokin Pavel Ivanovich

托木斯克理工大学助理

634028, Russia, Tomskaya oblast', g. Tomsk, ul. Lenina, 2, of. 103a

pavel805@gmail.com

Efremov Aleksandr Aleksandrovich

托木斯克理工大学助理

634028, Russia, Tomskaya oblast', g. Tomsk, ul. Lenina, 2, of. 115a

alexyefremov@tpu.ru

Luneva Elena Evgenevna

博士学位技术科学

托木斯克理工大学副教授

634028, Russia, Tomskaya oblast', g. Tomsk, ul. Lenina, 2, of. 115a

lee@tpu.ru

Kochegurova Elena Alekseevna

博士学位技术科学

托木斯克理工大学副教授

634028, Russia, Tomskaya oblast', g. Tomsk, ul. Lenina, 2, of. 112a

kocheg@mail.ru

DOI:

10.7256/2454-0714.2017.4.24655

评审日期

08-11-2017

出版日期

11-01-2018

注解: 本文研究了长短期记忆（lstm）的循环网络对社交网络Twitter的文本消息进行二进制分类的适用性。设计了一个三阶段分类过程，允许对象形图进行单独分析并检查文本的中立性。验证了使用LSTM网络和词的向量表示对文本消息的情感极性进行分类的准确性。词的向量表示与训练数据集的重合百分比被确定，这允许获得可接受的分类精度。评估了LSTM网络学习率和内存使用情况。为了解决文本消息的分类问题，使用了基于先例的自然语言处理和机器学习方法。通过使用LSTM神经网络获得的用于处理来自社交网络的文本数据的算法数据库进行了优化。所提出的解决方案方法的新颖性是由于消息的预处理，这允许增加分类的准确性，并且使用考虑到社交网络的文本数据的细节的神经网络配置。

出版日期:

循环神经网络, 自然语言处理, 情感分析, 长期-短期记忆网络, 社交网络, 词的向量表示, 推特, 文本预处理, 循环网络, 二元分类

杂志

循环LSTM网络在寻找用户-社交网络专家任务中的适用性研究