一种情绪分析方法,用于旅行相关的中国在线评论内容

科学领域:

• 自然语言处理自然语言处理.
• 人工智能的人工智能
• 计算语言学 计算语言学

背景情况:

• 旅游业情绪分析面临挑战,因为在线评论中的口语,刺和有限的功能维度.
• 传统的词向量表示和单个神经网络模型与用户生成的旅行内容的复杂性和细微差别作斗争.
• 准确的情绪分析对于企业了解客户反和提高服务质量至关重要.

研究的目的:

• 开发一个先进的双通道算法 (DC-CBLA) 以更准确地分析旅行相关在线评论的情绪.
• 解决传统方法在旅行评论中捕捉上下文含义,本地语义和关联特征方面的局限性.
• 通过复杂的文本分析,提高对客户情绪的理解,提高旅游业的服务质量.

主要方法:

• 使用预先训练的BERT模型进行动态,上下文意识的词向量表示,增强语义准确性.
• 集成卷积神经网络 (CNN) 用于局部特征提取和双向长短期记忆 (BiLSTM) 用于全球序列理解.
• 采用注意力机制来加重BiLSTM特征,专注于关键信息和降低噪音,其次是Softmax分类.

主要成果:

• DC-CBLA模型的准确度很高,在旅游景点达到95.23%,旅游酒店达到89.46%.
• 对DC-CBLA模型的F1分数在各自的数据集上分别为97.05%和93.86%.
• 实验结果表明,拟议的DC-CBLA模型显著优于其他基线情绪分析模型.

结论:

• 拟议的DC-CBLA模型通过将CNN和BiLSTM与注意力机制相结合,有效地克服了旅游业情绪分析的挑战.
• 整合BERT,CNN,BiLSTM和attention提供了一个强大的框架,可以在旅行评论中捕捉复杂的语言特征.
• DC-CBLA的卓越性能验证了其在了解客户情绪和改善旅游行业服务方面的实际应用潜力.