文献阅读笔记：Twitter Sentiment Analysi

本文文献关键词： 微博；情感分析；文本分类；SemEval2017；CNN；LSTM

论文主要思路

• 第一个结构使用CNN网络进行分类，区别是使用多个Fliter的分别卷积后，将卷积的结果连接后在池化分析。输入是句子的词向量表示。多个不同宽度的Fliter，实际上类似抽取不同阶的n-grams。文献中总共使用了600个Fliters

• 第二个结构是分别使用前向LSTM和后向LSTM网络将输入词向量转化，连接前后向LSTM输出的隐层状态（最后一个序列h1 和 ht），将此连接向量作为全连接层输入，进行预测。

  
  LSTM结构
• 词向量的生成使用了Word2vec，GloVe和fastText三种。
• 将CNN结构和双向LSTM结构的网络预测结果，再做了一次聚合学习，生成最终结果