基于Stacking融合深度学习模型和传统机器学习模型的短文本情感分类研究

摘要

短文本情感分类是一种面向主观信息分类的文本分类任务,具有重要的研究价值和广泛的应用前景,如旅游景区口碑评价、舆情跟踪、产品声誉分析等.为了提高短文本情感分类准确率,文章提出了一种基于Stacking融合深度学习模型和传统机器学习模型的短文本情感分类方法.该方法从短文本数据集分别提取TFIDF和Word2Vec特征,并作为传统机器学习模型和深度学习模型的输入,再基于Stacking技术将多个基分类器(包括Logistic,Passive Aggressive,Ridge,SVC,SVR等传统机器学习模型和深度学习文本分类模型TextRCNN)的分类结果进行融合处理,得到短文本情感分类的最终结果.该方法采用LightGBM作为Stacking最后一层的分类器,基于旅游景区网络评论数据集进行了验证.实验结果表明,该方法能够获得比最好基分类方法更好的分类效果,而且对积极、中性和消极三类情感文本的平均分类准确率达到了71.02％.