[發(fā)明專利]基于情感挖掘實現(xiàn)能源電力輿情分析處理的方法

在審

• 申請?zhí)枺?/td>: 202010300741.7
• 申請日: 2020-04-16
• 公開（公告）號: CN111506793A
• 公開（公告）日: 2020-08-07
• 發(fā)明（設計）人: 朱廣文;夏云峰;張建民;王艷
• 申請（專利權）人: 上海浩方信息技術有限公司
• 主分類號: G06F16/951
• 分類號: G06F16/951;G06F16/33;G06F16/35;G06F40/289;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海智信專利代理有限公司 31002
• 代理人: 王潔;鄭暄

本發(fā)明涉及一種基于情感挖掘實現(xiàn)能源電力輿情分析處理的方法，包括收集樣本，通過網(wǎng)絡爬蟲收集資訊；進行文本預處理，通過分詞工具包對文本分詞；通過word2vec技術進行文本向量化；進行卷積操作；進行池化操作；進行全鏈接操作，并根據(jù)卷積神經(jīng)網(wǎng)絡進行能源主題分類和情感傾向識別；通過LSTM序列挖掘網(wǎng)絡進行能源輿情傾向預測。采用了本發(fā)明的基于情感挖掘實現(xiàn)能源電力輿情分析處理的方法，具有較強的主題分析和序列挖掘預測能力，并可以拓展到其他時序輿情分析預測領域，通過分析資訊新聞內(nèi)部結構，實現(xiàn)多主題多序列情感對比分析，開展更全面的電力趨勢輿情研究，有助于及時掌握研究能源發(fā)展趨勢，并為構建能源體系提供理論指引。

技術領域

本發(fā)明涉及深度學習領域，尤其涉及輿情分析領域，具體是指一種基于情感挖掘實現(xiàn)能源電力輿情分析處理的方法。

背景技術

目前，國內(nèi)外針對評論輿情分析使用了各種技術，其中最重要的是內(nèi)容分析技術和情感分析技術。內(nèi)容分析技術主要分為關鍵詞匹配算法、知識工程方法以及統(tǒng)計學習方法。情感分析技術主要分為情感詞典、機器學習以及深度學習。情感詞典雖然簡單但是無法適應互聯(lián)網(wǎng)內(nèi)容的快速變化，傳統(tǒng)的機器學習方法偏向靜態(tài)內(nèi)容分析，在動態(tài)變化的內(nèi)容分析上缺乏泛化遷移能力。此外，針對能源電力發(fā)展的輿情傾向預測的相關研究或者實現(xiàn)并不多。

發(fā)明內(nèi)容

本發(fā)明的目的是克服了上述現(xiàn)有技術的缺點，提供了一種滿足操作簡便準確率高、泛化能力強、適用范圍較為廣泛的基于情感挖掘實現(xiàn)能源電力輿情分析處理的方法。

為了實現(xiàn)上述目的，本發(fā)明的基于情感挖掘實現(xiàn)能源電力輿情分析處理的方法如下：

該基于情感挖掘實現(xiàn)能源電力輿情分析處理的方法，其主要特點是，所述的方法包括以下步驟：

(1)收集樣本，通過網(wǎng)絡爬蟲收集資訊；

(2)進行文本預處理，通過分詞工具包對文本分詞；

(3)通過word2vec技術進行文本向量化；

(4)進行卷積操作；

(5)進行池化操作；

(6)進行全鏈接操作，并根據(jù)卷積神經(jīng)網(wǎng)絡進行能源主題分類和情感傾向識別；

(7)通過LSTM序列挖掘網(wǎng)絡進行能源輿情傾向預測。

較佳地，所述的步驟(2)具體包括以下步驟：

通過分詞工具包對能源文本進行分詞，并對文本進行刪除停用詞操作。

較佳地，所述的步驟(3)具體包括以下步驟：

定義詞序列，將訓練后的詞向量拼接得到詞向量矩陣，作為卷積層的輸入。

較佳地，所述的步驟(5)具體包括以下步驟：

對每個濾波器提取的特征圖進行最大池化操作，通過一層卷積和一層池化后得到向量。

較佳地，所述的步驟(6)具體包括以下步驟：

(6.1)將向量饋入全連接層，得到最終的特征提取向量；

(6.2)判斷對能源評論內(nèi)容進行分類還是對能源評論情感進行分類，如果是對能源評論內(nèi)容進行分類，則將Softmax函數(shù)作為激活函數(shù)，分類為火電、水電、風電、潮汐能、太陽能、核能和混合能源；如果是對能源評論情感進行分類，則將Sigmoid函數(shù)作為激活函數(shù)，分類為負面、中性和正面。

較佳地，所述的步驟(7)具體包括以下步驟：

(7.1)訓練LSTM預測器模型；

(7.2)通過LSTM預測器模型進行預測。