[發明專利]基于表情分析和深度學習的社交網絡情感分析方法

在審

• 申請號: 201611035151.6
• 申請日: 2016-11-17
• 公開（公告）號: CN106598942A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 金志剛;胡博宏;羅詠梅
• 申請（專利權）人: 天津大學
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06F17/30;G06Q50/00
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 程毓英

技術領域

本發明是一種基于表情分析和深度學習的社交網絡情感分析方法。

背景技術

隨著互聯網的飛速發展，越來越多的用戶喜歡在網絡上發布自己的觀點、分享個人的生活狀態，同時加強與朋友的溝通交流，社交媒體也因此發展迅猛。微博，作為一個基于用戶關系信息分享、傳播以及獲取的平臺，改變了傳統網絡媒體交流方式，開創了一個新的社交媒體互動模式，給用戶提供更為豐富的信息內容和便捷的溝通方式，迅速成為了最受歡迎的社交網絡媒體。

在微博平臺中，用戶通過發表個人對社會熱點事件的看法、某一產品的購物體驗等等，來表達自己的情感，形成了海量的話題文本信息。充分處理分析這些文本信息具有重要的社會價值、商業價值以及用戶價值。因此，如何提高微博情感分析的精度，使微博情感分析發揮更大的價值是一個充滿意義的工作。

發明內容

本發明針對微博情感分析問題，設計了一種將表情分析與深度學習模型結合的具體情感分析方法，進而改善情感分析效果。技術效果如下：

一種基于表情分析和深度學習的社交網絡情感分析方法，包括下列步驟：

1)文本預處理：過濾無用字符，并提取出微博文本中的表情字符作為該微博對應的表情信息。

2)數值化特征：將1)中預處理后的微博文本轉換為數值向量T，同時，1)中所得的表情信息也轉換成該表情對應的數值ID，然后將文本向量T與表情ID合并，形成新的數值向量V。

3)特征訓練：將數值向量V作為深度學習模型的輸入，進行特征訓練，設輸出的特征向量為F。

4)計算類別：對特征向量F進行Softmax回歸，計算出該微博的情感類別概率分布，進而獲得情感類別。

5)模型微調：將4)所得的情感類別與該微博實際所屬的情感類別比較，并通過反向傳播算法對模型進行微調，獲得訓練完成的模型。

基于表情分析和深度學習的社交網絡情感分析方法，將深度學習應用至文本情感分析問題中，提高模型的精度進而獲得更準確的情感分析效果。此外，本方法還考慮到微博平臺為用戶提高了豐富的默認表情，同時表情字符在微博中的使用也越來越頻繁，逐漸成為用戶表達情感的重要手段。因此，本方法并不像傳統方法在分析文本時將表情字符作為無用信息過濾，而是提取表情字符，使其作為模型訓練時的輸入，進而獲得更好的情感分析效果。有益效果如下：

1.利用深度學習模型的抽象特征提取能力學習文本的抽象特征，進而提高情感分析的精度；

2.通過在文本預處理階段提取(而不是過濾)表情字符，并將表情字符作為后續深度學習模型的輸入，為情感分析提供多維度的信息，進而提高情感分析精度。

附圖說明

圖1本方法的基本訓練步驟

圖2本方法的基本使用步驟

具體實施方式

下面結合附圖對實施方式進行說明。

本方法提出的情感分析方法重點在于其模型的訓練過程，該過程如圖1所示，以下詳細說明：

1)文本預處理：過濾無用字符，例如“轉發微博”等；同時，提取出微博文本中的表情字符作為該微博對應的表情信息，由于該表情字符由微博平臺提供，因此可根據其規律提取。

2)數值化特征：將1)中預處理后的微博文本通過word2vec工具轉換為數值向量T，同時，1)中所得的表情信息也轉換成該表情對應的數值ID，然后將文本向量T與表情ID合并，形成新的數值向量V。

3)特征訓練：將數值向量V作為深度學習模型的輸入，進行特征訓練，設輸出的特征向量為F。

4)計算類別：對特征向量F進行Softmax回歸，計算出該微博的情感類別概率分布，進而獲得情感類別。

5)模型微調：將4)所得的情感類別與該微博實際所屬的情感類別比較，并通過反向傳播算法對模型進行微調，最終獲得訓練完成的模型。

模型經過大量的訓練數據訓練完成后，再次輸入微博文本即可獲得該文本對應的情感類別結果，具體步驟如圖2所示，其中“計算特征”與“計算情感類別結果”與訓練過程中的“特征訓練”與“計算類別”對應。