基于特征融合的多方面抽取及情感分析

针对序列标注标签预测空间大导致模型预测效果较差的问题,提出一种基于BERT-BiLSTM-Fusion的多方面抽取及情感分析模型。采用跨度预测的方法进行方面词抽取与方面词情感预测分类并联合训练,通过Bert预训练语言模型得到文本嵌入表示,使用BiLSTM学习观测序列上的依赖关系增强学习位置信息,提高模型抽取效果。对Bert预训练语言模型的每一层输出特征进行特征融合,提高模型的情感极性分类效果,并且在三个公开数据集Laptop、Restaurant、Twitter上设计对比实验以及消融实验。实验结果显示,BERT-BiLSTM-Fusion模型的F1值分别达到了66.72%、78.44%、62.10%,且高于对比模型,表明了所提出模型的有效性。