XLNet-LSTM-CNN 用于文本情感分析

摘要 随着社交媒体和在线评论平台的迅速普及，文本情感分析的重要性呈指数级增长。深度学习被广泛应用于文本情感分析，其中CNN（卷积神经网络）和LSTM（长短期记忆网络）展现出卓越的能力。CNN擅长提取文本的局部特征，而LSTM能够保持跨越较长文本的相关信息。这两者常常与静态词向量技术（如word2vec）结合，用于文本情感分类任务。我们提出了一种新颖的文本情感分类模型，命名为XLNet-LSTM-CNN，融合了CNN和LSTM的优势与XLNet模型。该混合模型解决了静态词向量技术如word2vec的局限性，包括无法深入挖掘文本信息及辨别词语多义性的缺陷。我们通过数据增强方法进一步增强了模型的鲁棒性。我们使用三个不同的英文电影评论数据集（IMDB、MR和SST）评估了所提XLNet-LSTM-CNN模型的表现，并与七种流行的神经网络模型（SVM、CNN、RNN、LSTM、BiLSTM、CNN-LSTM和CNN-attention-LSTM）对比。实验结果表明，XLNet-LSTM-CNN模型不仅实现了更高的准确度，还降低了损失率，提升了模型的泛化能力，相较竞争模型表现优越。总之，我们提出的模型为文本情感分类提供了坚实的解决方案，在社交媒体和在线评论平台的文本情感分析领域具有广阔的应用前景。