[發(fā)明專(zhuān)利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)論數(shù)據(jù)情感分類(lèi)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810918698.3
• 申請(qǐng)日: 2018-08-13
• 公開(kāi)（公告）號(hào): CN109033433B
• 公開(kāi)（公告）日: 2020-09-29
• 發(fā)明（設(shè)計(jì)）人: 鄭坤;姚宏;李潤(rùn)佳;劉超;董理君;康曉軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)地質(zhì)大學(xué)（武漢）
• 主分類(lèi)號(hào): G06F16/35
• 分類(lèi)號(hào): G06F16/35;G06F40/289;G06N3/04
• 代理公司: 武漢知產(chǎn)時(shí)代知識(shí)產(chǎn)權(quán)代理有限公司 42238
• 代理人: 孫麗麗

本發(fā)明公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)論數(shù)據(jù)情感分類(lèi)方法及系統(tǒng)，本發(fā)明針對(duì)傳統(tǒng)的情感分類(lèi)方法只單獨(dú)考慮影評(píng)的文本信息，而忽略了影評(píng)的背景知識(shí)導(dǎo)致情感分類(lèi)的準(zhǔn)確率不高的問(wèn)題，本發(fā)明在原有的影評(píng)信息上添加背景知識(shí)，利用卷積神經(jīng)網(wǎng)絡(luò)提高影評(píng)情感分類(lèi)準(zhǔn)確率的方法：首先，利用SenticNet情感網(wǎng)絡(luò)從影評(píng)的文本中得到關(guān)鍵詞，并用Word2Vec模型得到上述關(guān)鍵詞的向量表示；其次，用SenticNet情感網(wǎng)絡(luò)得到每個(gè)關(guān)鍵詞對(duì)應(yīng)的背景知識(shí)；然后利用TransE模型和document2vec模型得到背景知識(shí)的向量表示；最后，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)關(guān)鍵詞向量，背景知識(shí)向量進(jìn)行處理，得到情感分類(lèi)模型，提高了影評(píng)數(shù)據(jù)情感分類(lèi)的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及評(píng)論數(shù)據(jù)情感分類(lèi)領(lǐng)域，更具體地說(shuō)，涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)論數(shù)據(jù)情感分類(lèi)方法及系統(tǒng)。

背景技術(shù)

隨著計(jì)算機(jī)網(wǎng)絡(luò)的不斷發(fā)展，人們從互聯(lián)網(wǎng)獲得信息的同時(shí)，也直接或者間接的在各種網(wǎng)絡(luò)平臺(tái)上發(fā)表大量的評(píng)論信息。這些評(píng)論信息表達(dá)了各種各樣的感情色彩和情感傾向，比如喜、怒、哀、樂(lè)、贊揚(yáng)、批評(píng)等。情感分析不僅是學(xué)術(shù)界的一個(gè)研究熱點(diǎn)，在社交媒體領(lǐng)域也受到了重點(diǎn)的關(guān)注。

對(duì)這些評(píng)論所表達(dá)的情感進(jìn)行分析，可以了解大眾輿論對(duì)于某一事件或產(chǎn)品的看法，對(duì)于指導(dǎo)和改善產(chǎn)品的服務(wù)有著重大意義。例如網(wǎng)友可以通過(guò)分析購(gòu)物評(píng)論，決定是否購(gòu)買(mǎi)該項(xiàng)產(chǎn)品。公司可以根據(jù)用戶對(duì)商品的評(píng)價(jià)，發(fā)現(xiàn)自身的優(yōu)勢(shì)和劣勢(shì)。同時(shí)，也可以將公眾的情緒表達(dá)和社會(huì)事件聯(lián)系起來(lái)，發(fā)現(xiàn)其中的一致性，預(yù)測(cè)未來(lái)事件的發(fā)展。例如電影票房的預(yù)測(cè)，選舉結(jié)果的預(yù)測(cè)等。

雖然情感分類(lèi)在很多領(lǐng)域有廣泛的應(yīng)用，各種各樣的情感分類(lèi)方法也被提出，例如有基于詞典的，還有基于機(jī)器學(xué)習(xí)的等。但是，目前的情感分類(lèi)方法還存在著很多問(wèn)題。首先是情感分類(lèi)的準(zhǔn)確度不高，這讓情感分析在實(shí)際的應(yīng)用中很難發(fā)揮很大的作用。其次是情感分類(lèi)的方法很多都依賴于人工的設(shè)計(jì)和參與，耗費(fèi)了大量的人力與物力，推廣能力較差。

發(fā)明內(nèi)容

本發(fā)明的目的在于，針對(duì)上述的技術(shù)缺陷，提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)論數(shù)據(jù)情感分類(lèi)方法，包含如下步驟：

S1、獲取訓(xùn)練用的評(píng)論數(shù)據(jù)集，評(píng)論數(shù)據(jù)集中包含多條評(píng)論，每條評(píng)論均對(duì)應(yīng)有情感極性評(píng)價(jià)；

S2、對(duì)評(píng)論數(shù)據(jù)集進(jìn)行預(yù)處理，濾除其中的無(wú)用信息；

S3、分別對(duì)濾除無(wú)用信息后的評(píng)論數(shù)據(jù)集進(jìn)行處理，對(duì)于每一條評(píng)論：提取其中的情感關(guān)鍵詞并獲取與情感關(guān)鍵詞對(duì)應(yīng)的背景知識(shí)；

S4、利用向量生成模型，對(duì)每一條評(píng)論對(duì)應(yīng)的情感關(guān)鍵詞與背景知識(shí)分別生成向量；

S5、對(duì)于每一條評(píng)論：將關(guān)鍵詞的向量進(jìn)行拼接形成關(guān)鍵詞二維矩陣，將每一個(gè)背景知識(shí)的向量分別進(jìn)行拼接形成各個(gè)背景知識(shí)的背景知識(shí)二維矩陣；

S6、分別將每一條評(píng)論的關(guān)鍵詞二維矩陣、背景知識(shí)二維矩陣一起拼接為一個(gè)多通道的二維矩陣；

S7、利用各條評(píng)論的多通道的二維矩陣與對(duì)應(yīng)的情感極性評(píng)價(jià)進(jìn)行情感分類(lèi)模型訓(xùn)練；

S8、利用訓(xùn)練好的情感分類(lèi)模型，對(duì)待分類(lèi)評(píng)論數(shù)據(jù)進(jìn)行情感分類(lèi)。

進(jìn)一步地，在本發(fā)明的基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)論數(shù)據(jù)情感分類(lèi)方法中，步驟S1中，所述情感極性評(píng)價(jià)是指積極的情感極性評(píng)價(jià)和消極的情感極性評(píng)價(jià)兩個(gè)種類(lèi)。

進(jìn)一步地，在本發(fā)明的基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)論數(shù)據(jù)情感分類(lèi)方法中，步驟S2中，所述無(wú)用信息包括：停用詞、標(biāo)定符號(hào)以及HTML標(biāo)簽。

進(jìn)一步地，在本發(fā)明的基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)論數(shù)據(jù)情感分類(lèi)方法中，步驟S3中，所述提取其中的情感關(guān)鍵詞并獲取與情感關(guān)鍵詞對(duì)應(yīng)的背景知識(shí)采用如下方法實(shí)現(xiàn)：