[發明專利]一種基于深度學習的帶有情感標簽文本生成及評估系統

在審

• 申請號: 202010023339.9
• 申請日: 2020-01-09
• 公開（公告）號: CN111914084A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 任磊;趙力
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京知匯林知識產權代理事務所(普通合伙) 11794
• 代理人: 楊華

本發明涉及一種基于深度學習的帶有情感標簽文本生成及評估系統，特別是涉及一種基于深度學習的帶有情感標簽文本生成及評估系統,該方法由以下技術方案實現：通過數據傳入模型，生成評論傳入模型，最終打分并實現可視化，最終目的可以生成高質量的帶有情感色彩的文本；此方法相對于目前現有的其他評估系統，最終實現生成文本質量更好，實現文本的最優選擇，且設計文本可視化交互終端，方便進行模型優化與方法驗證。

技術領域

本發明涉及一種評估系統，特別是涉及一種基于深度學習的帶有情感標簽文本生成及評估系統。

背景技術

隨著Facebook、Twitter等社交網絡的興起，網絡不僅成為了人們獲取信息的重要來源，同時也成為人們表達自己觀點的平臺。通過在博客、主題、Twitter 等網絡社區來評論熱點事件、抒寫影評觀點、描述產品體驗等，產生了大量帶有情感傾向的文本信息，而通過對這些文本信息進行情感分析，可以更好地理解用戶行為，發現用戶對產品的傾向性、對熱點事件的關注程度等。隨著信息規模的急劇增大，僅僅依靠人工進行處理已經無法完成這一任務，這就促進了自然語言處理領域的一個研究熱點，即文本情感分析技術的發展。

目前，文本情感分析的主要研究方法還是基于傳統機器學習的算法，通過人工設計特征構造出結構化的文本信息特征，然后用機器學習的方法來進行分析。常用的文本情感分析方法有樸素貝葉斯、支持向量機、最大熵方法等，這些方法都可以被劃分為淺層學習方法。淺層學習方法計算量小且實現容易，但是由于對復雜函數的表達能力的限制，使得對復雜分類問題的泛化能力受到制約。為彌補這一缺陷，人工構造特征被引入這一模型當中，如使用人工標注的情感詞典、句法與語法分析等，雖然這些方法可以有效地提高文本情感分析的準確率，但由于需要過多的人工標注數據，費時費力，并且需要一定的先驗知識，所以隨著互聯網規模的不斷發展，文本數據規模的不斷擴大，從而限制了這些方法的發展。本項目采用基于卷積神經網絡和注意力模型的結構，避免了依賴人工構造特征的方法，采用相關數據集對網絡模型進行訓練后，再進行文本情感分析工作。

文本情感分析主要通過分析文本內容來判斷文本所表達的情感傾向，發現用戶對某一事件的關注程度，自2011年由volume等人提出關于情感分析的工作后，經過許多學者的研究，獲得了很大的發展。情感分析技術大致可以分為基于規則的方法和基于統計的方法，其中基于情感詞典的機器學習方法是目前的主要方法。Volume等人根據傳統自然語言處理中的文本分類技術，使用了樸素貝葉斯、支持向量機和最大熵等模型，在電影評論上取得了不錯的效果； Turney提出了采用依賴種子情感詞集合，使用互信息的方法來判別某個短語是否是評價詞語；Ding等人提出針對特定領域情感詞配對的方法來判斷情感極性；羅毅等人通過構建二級情感詞典，使用N-gram模型獲取文本特征進行情感分析；任遠等人采用支持向量機和TFIDF計算特征項權值來進行情感分析。自 2006年由Hinton等人提出深度學習之后，隨著深度學習方法在計算機視覺和語音識別領域的成功應用，越來越多的深度學習技術也被應用于自然語言處理方向。Mnih等人提出層析Log-Bilinear模型來訓練語言模型。并隨著Google開源了其代碼，詞嵌入被應用到自然語言處理多個領域；隨著Kim利用卷積神經網絡來進行句子分類后；Bahdanau等人提出使用注意力模型在機器翻譯中取得了不錯的效果，隨后被應用于Google神經網絡翻譯系統中。

基于上述問題的解決需求，本發明提出基于卷積神經網絡和注意力模型的結構來進行文本情感分析的工作并進行實驗，經過實驗驗證，本文提出的方法是有效的。

發明內容

本發明的目的是提供涉及一種基于深度學習的帶有情感標簽文本生成及評估系統。

本發明的目的是通過以下技術方案實現的：