[發(fā)明專利]文本情感分析方法、系統(tǒng)及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810035601.4
• 申請日: 2018-01-15
• 公開（公告）號(hào): CN108170681A
• 公開（公告）日: 2018-06-15
• 發(fā)明（設(shè)計(jì)）人: 王斌;唐玲艷;劉家廣;嚴(yán)毅康;王淼;盛津芳
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06F17/27
• 分類號(hào): G06F17/27;G06N3/04
• 代理公司: 長沙朕揚(yáng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43213
• 代理人: 何湘玲

1.一種文本情感分析方法，其特征在于，包括：

對原始文本進(jìn)行分詞，獲取文本單詞集，并對所獲取的文本單詞集訓(xùn)練生成詞向量矩陣；

對所述詞向量矩陣以句子為單位進(jìn)行拆分，將任一句子對應(yīng)的詞向量輸入至預(yù)設(shè)的LSTM網(wǎng)絡(luò)模型，得到各詞的隱藏層向量；且在將任一句子對應(yīng)的詞向量輸入至預(yù)設(shè)的LSTM網(wǎng)絡(luò)模型時(shí)，一個(gè)詞對應(yīng)一個(gè)隱藏層單元，并通過LSTM相鄰隱藏層之間的關(guān)聯(lián)關(guān)系提取句子上下文之間的隱藏信息，并以句子最后一個(gè)詞所對應(yīng)的隱藏層向量作為整個(gè)句子的隱藏層向量；

對所獲取的文本單詞集進(jìn)行詞性標(biāo)注，對攜帶詞性標(biāo)注信息的文本單詞集訓(xùn)練，并對訓(xùn)練生成的詞性向量矩陣以詞為單位進(jìn)行拆分，得到各詞所對應(yīng)的詞性向量；

以句子為單位，根據(jù)句子內(nèi)各詞所對應(yīng)的隱藏層向量和詞性向量進(jìn)行詞嵌入加權(quán)求和注意力分析，得到各句子攜帶注意力信息的句子向量，并以所述攜帶注意力信息的句子向量作為情感分類模型的輸入，進(jìn)而得到各句子的情感分類結(jié)果和/或所述原始文本的分類結(jié)果；

其中，所述詞嵌入加權(quán)求和的計(jì)算公式為：

上式中，n為句子內(nèi)詞數(shù)量，為句子內(nèi)序號(hào)為i的詞所對應(yīng)的隱藏層向量，為句子內(nèi)序號(hào)為i的詞所對應(yīng)的詞性向量，sentence(x)為句子注意力分析結(jié)果，attention(x_i)為句子內(nèi)序號(hào)為i的詞所對應(yīng)注意力分析結(jié)果。

2.根據(jù)權(quán)利要求1所述的文本情感分析方法，其特征在于，采用下述選型方式中的任意一種或任意組合：

采用Attention模型進(jìn)行注意力分析；

采用softmax函數(shù)對映射到情感分類模型的文本向量進(jìn)行情感分類；

采用jieba進(jìn)行分詞和詞性標(biāo)注處理；

采用word2vec進(jìn)行訓(xùn)練以分別生成詞向量矩陣和詞性向量矩陣。

3.一種文本情感分析系統(tǒng)，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述權(quán)利要求1或2所述方法的步驟。

4.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述權(quán)利要求1或2所述方法的步驟。