双通道卷积神经网络情感分析

### 双通道卷积神经网络在情感分析中的应用

#### 实现方法

双通道卷积神经网络（CNN）通过两个独立的路径处理输入数据，通常用于捕捉不同层次或类型的特征。对于情感分析而言，可以设计一种架构来分别提取词级和字符级别的特征。

- **词嵌入层**：将文本转换成向量表示形式，利用预训练模型如Word2Vec或GloVe初始化权重矩阵[^1]。

- **字符级别嵌入**：构建另一条分支专门针对单个字母序列建模其上下文关系，这有助于识别拼写错误单词的情感倾向以及理解未登录词含义。

两条并行工作的卷积核组负责学习局部模式；随后经过池化操作减少维度的同时保留重要信息。最终两路输出会被连接起来送入全连接层完成分类任务。

import tensorflow as tf
from keras.models import Model
from keras.layers import Input, Embedding, Conv1D, GlobalMaxPooling1D, Dense, concatenate

# 定义参数
vocab_size_word = 5000    # 单词表大小
embedding_dim_word = 300  # 词向量维度
max_len_word = 100        # 每句话最大长度(按词语数计算)

char_vocab_size = 70      # 字符集大小 (ASCII码范围内的可见字符数量)
embedding_dim_char = 15   # 字符向量维度
word_maxlen = 16          # 每个单词的最大字符数目
sentence_maxlen = 100     # 整句的最大长度(按字数算)


def create_model():
    # 输入定义
    input_words = Input(shape=(max_len_word,), name='input_words')
    input_chars = Input(shape=(sentence_maxlen, word_maxlen), dtype=tf.int32, name="input_chars")

    # 构造词级 CNN 路径
    embedding_layer_word = Embedding(input_dim=vocab_size_word,
                                     output_dim=embedding_dim_word)(input_words)
    
    convs_word = []
    filter_sizes = [3, 4, 5]

    for fsz in filter_sizes:
        l_conv = Conv1D(filters=100, kernel_size=fsz, padding='valid', activation='relu')(embedding_layer_word)
        l_pool = GlobalMaxPooling1D()(l_conv)
        convs_word.append(l_pool)

    out_word = concatenate(convs_word)

    # 构造字符级 CNN 路径
    char_embedding_layer = TimeDistributed(
        Embedding(input_dim=char_vocab_size, output_dim=embedding_dim_char))(input_chars)

    char_convs = []

    for fsz in filter_sizes:
        conv = TimeDistributed(Conv1D(kernel_size=fsz, filters=100, padding='same'))(char_embedding_layer)
        pool = TimeDistributed(GlobalMaxPooling1D())(conv)
        char_convs.append(pool)

    merged_char = concatenate(char_convs, axis=-1)
    flat_char = Flatten()(merged_char)

    # 合并两种特征
    concat_features = concatenate([out_word, flat_char])

    # 输出层
    dense_output = Dense(units=128, activation='relu')(concat_features)
    predictions = Dense(units=2, activation='softmax')(dense_output)

    model = Model(inputs=[input_words, input_chars], outputs=predictions)

    return model


model = create_model()
print(model.summary())

此代码片段展示了如何创建一个具有双通道结构的Keras/TensorFlow模型来进行多视角下的中文评论情感极性预测。