电子设计工程ElectronicDesignEngineering第31卷Vol.31第6期No.62023年3月Mar.2023收稿日期：2021-12-24稿件编号：202112156作者简介：肖海艳（1982—），女，陕西榆林人，硕士，讲师。研究方向：信息化教学，日语语言文学、日语教育。随着互联网平台的快速发展，在线课程凭借其方便、优质等特点逐渐被大众认可，在线学习人数迅速增加[1-2]。教师与学习者的交互过程会产生大量的评论文本数据，对文本情感倾向进行分析，有利于教师了解学习者的需求，提高在线课程质量。传统静态词向量模型如Glove和Word2vec[3]，将词转换成高维度向量嵌入，但训练过程未加入词的位置信息，存在无法表示多义词的问题。动态词向量模型ELMO（EmbeddingfromLanguageModel）[4]和BERT（BidirectionalEncoderRepresentationfromTransformers）[5]，在大规模语料进行预训练时，通过充分考虑词的上下文语义关联，提取当前词符合语义环境的动态向量表征。MacBERT（MLMascorrection基于深度学习的在线教师课程评论情感分析模型肖海艳（咸阳师范学院外国语学院，陕西咸阳712000）摘要：针对传统静态词向量存在语义表征弱以及循环序列模型训练效率低等问题，提出了基于MacBERT-BiSRU-AT的在线教师课程评论情感分析模型。通过预训练模型MacBERT获取评论文本符合上下文语义的动态向量表示，解决了静态词向量存在的一词多义问题，提升词向量语义表示质量。BiSRU模块用于提取评论文本高维情感特征，软注意力用于计算每个词对分类结果的影响程度大小，由分类层输出文本情感极性。在真实在线课程MOOC评论数据集进行实验，结果表明，MacBERT-BiSRU-AT模型分类F1值达到了91.33%，高于实验对比的其他模型，证明了模型的有效性。关键词：情感分析；MacBERT；BiSRU；软注意力中图分类号：TN0；TP391文献标识码：A文章编号：1674-6236（2023）06-0039-04DOI：10.14022/j.issn1674-6236.2023.06.009SentimentanalysismodelofonlineteachercurriculumreviewbasedondeeplearningXIAOHaiyan（ForeignLanguageAcademy，XianyangNormalUniversity，Xianyang712000，China）Abstract:Toaddresstheproblemsofweaksemanticrepresentationoftraditionalstaticwordvectorsandlowtrainingefficiencyofcyclicsequencemodel，anonlineteachercurriculumreviewemotionanalysismodelbasedonMacBERT-BiSRU-ATwasproposed.ThroughthepretrainingmodelMacBERT，wecanobtainthedynamicvectorrepresentationofthec...
