TY - JOUR A2 - Ali, Rahman AU - Fei, Rong AU - Yao, Quanzhu AU - Zhu, Yuanbo AU - Xu, Qingzheng AU - Li, Aimin AU - Wu, Haozheng AU - Hu, Bo PY - 2020 DA - 2020/06/29 TI-基于改进的跨熵和重量SP -3810261 VL -2020 AB的深度学习结构 - 在情感分类字段，卷积神经网络（CNN）和长期记忆（LSTM）中（LSTM））因其分类和预测性能而受到称赞，但其准确性，损失率和时间并不理想。为此，提出了一种深入的学习结构，结合了改进的跨熵和单词的重量，以解决跨域情绪分类，该分类的重点是通过优化和改善复发性神经网络（RNN）和CNN来实现更好的文本情感分类。首先，我们使用铰链损耗函数（铰链损耗）和三重态损耗函数（三重率损耗）的想法来改善跨熵损失。改进的横熵损耗函数与CNN模型和LSTM网络相结合，该模型在两个分类问题中进行了测试。然后，提出了LSTM二进制优化（LSTM-BO）模型和CNN二元优化（CNN-BO）模型，这些模型提出了更有效的拟合预测错误并防止过度拟合的模型。最后，考虑到经常性神经网络的处理文本的特征，分析了输入单词对最终分类的影响，这可以获得每个单词对分类结果的重要性。实验结果表明，在同一时间，拟议的权重转流神经网络（W-RNN）模型为单词提供了更高的重量，具有更强的情感趋势，以减少情绪信息的丧失，从而提高了分类的准确性。SN -1058-9244 UR -https：//doi.org/10.1155/2020/3810261 do -10.1155/2020/3810261 JF-科学编程PB -Hindawi kw- hindawi kw- er- er- er-