[發明專利]一種融合深度學習的學生文本反饋細粒度分析裝置與方法

在審

• 申請號: 202110059701.2
• 申請日: 2021-01-18
• 公開（公告）號: CN112765351A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 凡婷偉;王冠;楊根科;褚健;王宏武
• 申請（專利權）人: 上海交通大學寧波人工智能研究院
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06N3/08;G06N3/04;G06K9/62;G06Q50/20
• 代理公司: 上海劍秋知識產權代理有限公司 31382
• 代理人: 徐浩俊

1.一種融合深度學習的學生文本反饋細粒度分析裝置，其特征在于，包括：

數據獲取模塊，所述數據獲取模塊獲取文本數據；

文本嵌入模塊，所述文本嵌入模塊連接所述數據獲取模塊，對所述文本數據進行詞嵌入處理，并輸出詞向量；

深度學習模塊，所述深度學習模塊連接所述文本嵌入模塊，利用卷積神經網絡捕捉所述詞向量的多尺度特征，并將所述多尺度特征傳入加權雙向金字塔網絡進行特征融合，將融合后的特征傳入文本范疇分類器和文本極性分類器，分別輸出所述文本數據的范疇歸類和情感極性。

2.如權利要求1所述的融合深度學習的學生文本反饋細粒度分析裝置，其特征在于，所述文本嵌入模塊的所述詞嵌入處理是利用連續詞袋模型訓練得到詞向量，同時加入位置信息，對所述文本數據中的每個字符的位置進行編碼，最后融合詞性標簽嵌入，并且與經過所述連續詞袋模型訓練得到的所述詞向量以及位置編碼后的向量結合，成為最終的所述詞向量。

3.如權利要求2所述的融合深度學習的學生文本反饋細粒度分析裝置，其特征在于，所述連續詞袋模型的輸入是當前中心詞的上下文相關的詞對應的詞向量，所述連續詞袋模型的輸出是所述當前中心詞的詞向量。

4.如權利要求1所述的融合深度學習的學生文本反饋細粒度分析裝置，其特征在于，所述數據獲取模塊是利用光學字符識別掃描儀識別線下溝通的文本信息并存儲為所述文本數據，或者是利用爬蟲代碼對線上溝通的文本信息進行爬取并存儲為所述文本數據。

5.如權利要求1所述的融合深度學習的學生文本反饋細粒度分析裝置，其特征在于，還包括：

數據預處理模塊，所述數據預處理模塊設置于所述數據獲取模塊與所述文本嵌入模塊之間，將所述文本數據中信息不完整的數據直接丟棄，并將所述文本數據中的標點符號以及停止詞刪去，只保留純字符信息。

6.如權利要求1所述的融合深度學習的學生文本反饋細粒度分析裝置，其特征在于，還包括：

后處理模塊，所述后處理模塊設置于所述深度學習模塊之后，將所述文本數據、所述范疇歸類和所述情感極性進行存儲。

7.如權利要求6所述的融合深度學習的學生文本反饋細粒度分析裝置，其特征在于，所述文本數據、所述范疇歸類和所述情感極性以三維元組的形式T，C，P進行存儲，其中：T代表文本，C代表所述文本中評價內容的所述范疇歸類，P代表反饋中體現的所述情感極性。

8.一種融合深度學習的學生文本反饋細粒度分析方法，其特征在于，所述方法包括如下步驟：

步驟1、根據線上線下的不同場景，采用不同的手段獲取文本數據；

步驟2、對所述文本數據進行詞嵌入處理，利用連續詞袋模型訓練得到詞向量，同時加入位置信息，對所述文本數據中的每個字符的位置進行編碼，最后融合詞性標簽嵌入，并且與經過所述連續詞袋模型訓練得到的所述詞向量以及位置編碼后的向量結合，成為最終的詞向量；

步驟3、利用卷積神經網絡捕捉所述詞向量的多尺度特征，并將所述多尺度特征傳入加權雙向金字塔網絡進行特征融合，將融合后的特征傳入文本范疇分類器和文本極性分類器，分別輸出所述文本數據的范疇歸類和情感極性。

9.如權利要求8所述的融合深度學習的學生文本反饋細粒度分析方法，其特征在于，在所述步驟3中使用支持向量機來訓練所述文本范疇分類器和所述文本極性分類器。

10.如權利要求8所述的融合深度學習的學生文本反饋細粒度分析方法，其特征在于，在所述步驟3中，根據線下和線上的不同特點，將所述線下的范疇類別分為：教學方法、教學態度和自我反省，將所述線上的范疇類別分為：教學方法、教學態度、自我反省和平臺使用感；將極性類別分為：正面、中立和負面；將所述文本范疇分類器和所述文本極性分類器的預測結果分別與標簽數據做對比，計算交叉熵損失函數，并運用隨機梯度下降法來更新網絡模型中的權值。