[發(fā)明專(zhuān)利]一種評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型及其創(chuàng)建方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010933551.9
• 申請(qǐng)日: 2020-09-08
• 公開(kāi)（公告）號(hào): CN112052677A
• 公開(kāi)（公告）日: 2020-12-08
• 發(fā)明（設(shè)計(jì)）人: 梁春雨
• 申請(qǐng)（專(zhuān)利權(quán)）人: 唐山師范學(xué)院
• 主分類(lèi)號(hào): G06F40/289
• 分類(lèi)號(hào): G06F40/289;G06F16/33;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 唐山科軒專(zhuān)利代理事務(wù)所(特殊普通合伙) 13146
• 代理人: 孔娟

1.一種評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型，其特征在于，所述模型利用雙重篩選方法獲得的大量正負(fù)向樣本參與LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練構(gòu)建的數(shù)學(xué)模型。

2.根據(jù)權(quán)利要求1所述的評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型，其特征在于，所述的正負(fù)向樣本包括正向文本和負(fù)向文本；

所述的正向文本和負(fù)向文本為非人工標(biāo)記文本，是通過(guò)公開(kāi)網(wǎng)絡(luò)分別抓取具有強(qiáng)烈的社會(huì)責(zé)任感的言論和沒(méi)有明顯的社會(huì)責(zé)任感的言論后，再進(jìn)行二次篩選獲得的樣本。

3.根據(jù)權(quán)利要求2所述的評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型，其特征在于，正向文本和負(fù)向文本包括初始正、負(fù)向文本和最終正、負(fù)向文本；初始正向文本和初始負(fù)向文本經(jīng)全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到初始評(píng)價(jià)模型，根據(jù)初始評(píng)價(jià)模型判斷后，選取初始正向文本的前50%和初始負(fù)向文本的后50%構(gòu)成最終正向文本和最終負(fù)向文本，再作為最終樣本進(jìn)行LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到最終社會(huì)責(zé)任感評(píng)價(jià)模型。

4.一種評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型創(chuàng)建方法，其特征在于，

所述構(gòu)建方法包括以下步驟：

S1、分別選取相同數(shù)量的正、負(fù)向文本數(shù)據(jù)作為初始正負(fù)向文本，使用全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建初始評(píng)價(jià)模型；

S2、將得到的初始評(píng)價(jià)模型應(yīng)用于初始正負(fù)向文本進(jìn)行社會(huì)責(zé)任指數(shù)預(yù)測(cè)，預(yù)測(cè)指數(shù)越高則社會(huì)責(zé)任感越強(qiáng)；

S3、根據(jù)預(yù)測(cè)結(jié)果，分別選取初始正向文本前50%的言論和初始負(fù)向文本后50%的言論作為最終正、負(fù)向文本；

S4、將得到的最終正、負(fù)向文本使用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；構(gòu)建最終模型。

5.根據(jù)權(quán)利要求4所述的模型創(chuàng)建方法，其特征在于，

步驟S1中：

選定初始正負(fù)向文本后，將初始正、負(fù)向文本數(shù)據(jù)使用結(jié)巴分詞系統(tǒng)在精確模式下進(jìn)行分詞處理，將分詞后的結(jié)果與預(yù)訓(xùn)練的密集詞向量集合進(jìn)行匹配，得到樣本數(shù)據(jù)詞向量矩陣；

在初始評(píng)價(jià)模型訓(xùn)練前將所述樣本數(shù)據(jù)詞向量矩陣作為輸入層導(dǎo)入兩層全連接神經(jīng)網(wǎng)絡(luò)，采用ReLU激活函數(shù)，神經(jīng)元個(gè)數(shù)分別為256，32；在每一層后加入值為0.3的Dropout層。

6.根據(jù)權(quán)利要求4所述的模型創(chuàng)建方法，其特征在于，

步驟S2中：

將訓(xùn)練好的初始評(píng)價(jià)模型分別應(yīng)用于初始正、負(fù)向文本進(jìn)行預(yù)測(cè)，預(yù)測(cè)過(guò)程使用Python批量讀取MySQL數(shù)據(jù)庫(kù)中文本的方式，將文本輸入初始評(píng)價(jià)模型得到預(yù)測(cè)結(jié)果，后將預(yù)測(cè)結(jié)果批量寫(xiě)入數(shù)據(jù)庫(kù)。

7.根據(jù)權(quán)利要求4所述的模型創(chuàng)建方法，其特征在于，

步驟S4中：

構(gòu)建之最終模型過(guò)程中，開(kāi)始訓(xùn)練前先對(duì)最終正、負(fù)向文本進(jìn)行分詞、匹配詞向量等操作；

最終模型使用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，隱含層為兩層，分別為256個(gè)神經(jīng)元的LSTM神經(jīng)網(wǎng)絡(luò)層和64個(gè)神經(jīng)元的全連接神經(jīng)網(wǎng)絡(luò)層，輸出層由兩個(gè)神經(jīng)元組成。

8.根據(jù)權(quán)利要求7所述的模型創(chuàng)建方法，其特征在于，訓(xùn)練中，優(yōu)化器選擇Adam優(yōu)化器，激活函數(shù)采用ReLU。

9.根據(jù)權(quán)利要求4所述的模型創(chuàng)建方法，其特征在于，還包括模型精度評(píng)價(jià)；所述模型精度評(píng)價(jià)是使用人工判斷社會(huì)責(zé)任的驗(yàn)證集進(jìn)行模型精度評(píng)價(jià)，進(jìn)而完成模型迭代，優(yōu)化模型評(píng)價(jià)精度。

10.根據(jù)權(quán)利要求9所述的模型創(chuàng)建方法，其特征在于，所述模型精度評(píng)價(jià)是對(duì)人工判斷社會(huì)責(zé)任的測(cè)試集進(jìn)行精度驗(yàn)證，具體方法如下；

從若干條網(wǎng)絡(luò)意見(jiàn)領(lǐng)袖群體微博言論中隨機(jī)選取1000條言論數(shù)據(jù)作為驗(yàn)證集，將驗(yàn)證集平均分配給若干位受試者，根據(jù)有社會(huì)責(zé)任和無(wú)明顯社會(huì)責(zé)任的判別依據(jù)對(duì)所分配的言論進(jìn)行主觀(guān)判斷，將有社會(huì)責(zé)任的言論標(biāo)注為“1”，無(wú)明顯社會(huì)責(zé)任的言論標(biāo)注為“0”，將最終模型應(yīng)用于驗(yàn)證集進(jìn)行準(zhǔn)確性驗(yàn)證；

驗(yàn)證集中的樣本預(yù)測(cè)值主要分布于0-0.05的低值區(qū)間，占總體樣本的63%，說(shuō)明試驗(yàn)選取的驗(yàn)證集絕大部分為無(wú)明顯社會(huì)責(zé)任感的言論，與驗(yàn)證集統(tǒng)計(jì)結(jié)果匹配；

當(dāng)劃分有、無(wú)社會(huì)責(zé)任的取值是0.025時(shí)，模型準(zhǔn)確率為66.1%，隨取值增加準(zhǔn)確率逐漸遞增；

在取值為0.775時(shí)達(dá)到峰值，模型預(yù)測(cè)準(zhǔn)確率為90.7%，此后，模型準(zhǔn)確率下降；

實(shí)驗(yàn)采用0.775作為劃分有、無(wú)社會(huì)責(zé)任感的分割值，即[0,0.775)區(qū)間為無(wú)社會(huì)責(zé)任感內(nèi)容，[0.775,1]為有社會(huì)責(zé)任感內(nèi)容。