基于深度学习的文本情感分析改进模型实验方案（修订版）

基于深度学习的文本情感分析改进模型实验方案（修订版）

摘要

本文针对经典“BERT+CNN”情感分析模型中特征维度坍缩的问题，提出了一种架构重构方案：在BERT提取词级序列特征后，使用多尺度TextCNN捕捉局部N-gram短语，并引入任务特定注意力（Task‑Specific Attention）替代传统的1D‑MaxPooling，通过软加权实现对关键情感词组的自适应动态关注。为了验证改进效果，我们在Yelp情感极性数据集（二分类）上设计了四组消融对比实验：纯BERT、BERT+Attention、BERT+TextCNN（标准池化）以及本文提出的BERT+TextCNN+Attention。实验结果表明，改进模型在准确率、精确率、召回率和F1‑Score上均达到最优，有效缓解了特征损失问题，提升了情感分类性能。

关键词：情感分析；BERT；TextCNN；注意力机制；模型改进

1. 引言

情感分析（Sentiment Analysis）是自然语言处理（NLP）的重要任务之一，旨在自动识别文本中表达的情感倾向（如正面、负面）。随着深度学习的发展，基于预训练语言模型的微调方法已成为主流，其中BERT（Bidirectional Encoder Representations from Transformers）凭借其强大的上下文建模能力，在众多情感分析基准上取得了领先效果。然而，BERT的计算开销较大，且对于局部短语特征的捕捉能力有限。

卷积神经网络（CNN）擅长提取局部N‑gram特征，常被用于文本分类任务。将BERT