基于深度学习的文本情感分析并行化算法

摘要

在训练集和测试集数据量大的情况下,半监督递归自编码(semi-supervisedrecursiveautoencoder,Semi-Supervised RAE)文本情感分析模型会出现网络训练速度缓慢和模型的测试结果输出速率缓慢等问题.因此,提出采用并行化处理框架,在大训练集情况下,基于"分而治之"的方法,先将数据集进行分块划分并将各个数据块输入Map节点计算每个数据块的误差,利用缓冲区汇总所有的块误差,Reduce节点从缓冲区读取这些块误差以计算优化目标函数;然后,调用L-BFGS(limited-memory Broyden-Fletcher-Goldfarb-Shanno)算法调整参数,更新后的参数集再次加载到模型中,重复以上训练步骤逐步优化目标函数直至收敛,从而得到最优参数集;在测试集大的情况下,模型的初始化参数为上述步骤得到的参数集,Map节点对各句子进行编码得到其向量表示,然后暂存在缓冲区中;最后,在Reduce节点中分类器利用各语句的向量表示计算各自语句的情感标签.实例验证表明:在标准语料库MR(movie review)下本文算法精确度为77.0％,与原始算法的精确度(77.3％)几乎相同;在大数据量训练集下,训练时间在一定程度上随着计算节点的增加而大量减少.