[發(fā)明專利]一種基于改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)的中文文本情感分析方法

在審

• 申請?zhí)枺?/td>: 202110658901.X
• 申請日: 2021-06-15
• 公開（公告）號: CN113435192A
• 公開（公告）日: 2021-09-24
• 發(fā)明（設(shè)計）人: 王麗亞;陳哲
• 申請（專利權(quán)）人: 王麗亞
• 主分類號: G06F40/284
• 分類號: G06F40/284;G06F40/30;G06F16/35;G06N3/04;G06N3/08
• 代理公司: 北京陽光天下知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11671
• 代理人: 趙飛

本發(fā)明提供了一種基于改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)的中文文本情感分析方法，包括：步驟Step1:將中文文本數(shù)據(jù)集通過詞嵌入系統(tǒng)進(jìn)行預(yù)處理，得到中文文本信息對應(yīng)的詞序列和所述詞序列對應(yīng)的詞向量矩陣；步驟Step2:構(gòu)建多通道模型，所述多通道模型由n組并行的CNN?BiGRU?Attention網(wǎng)絡(luò)組成，利用多通道模型進(jìn)行特征提取，得到相應(yīng)的n個局部特征向量；步驟Step3:使用全連接函數(shù)將所述n個局部特征向量拼接在一起生成全局特征向量；步驟Step4:將生成的所述全局特征向量，輸入sigmoid分類器進(jìn)行分類，得到最終的情感分析結(jié)果，本發(fā)明可通過改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)判斷中文文本的情感傾向，且能有效地提高中文文本情感分析的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及自然語言處理技術(shù)領(lǐng)域，尤其涉及到一種基于改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)的中文文本情感分析方法。

背景技術(shù)

文本情感分析(Sentiment Analysis)是指利用自然語言處理和文本挖掘技術(shù)，對帶有情感色彩的主觀性文本進(jìn)行分析、處理和抽取的過程。其涉及領(lǐng)域包括自然語言處理、文本挖掘、信息檢索、信息抽取和機器學(xué)習(xí)等。隨著社交多媒體的發(fā)展，提供了大量具有情感傾向的評論數(shù)據(jù)等，因此情感分析技術(shù)在了解人們對某些事件的態(tài)度和看法方面中扮演著越來越重要的角色，神經(jīng)深度學(xué)習(xí)模型被廣泛應(yīng)用到情感分析方面，目前，深度學(xué)習(xí)應(yīng)用于情感分析領(lǐng)域的技術(shù)主要有詞嵌入、CNN、RNN和注意力機制等，但RNN等網(wǎng)絡(luò)具有高復(fù)雜度的缺點，另外，現(xiàn)有的情感分析方法大多都是通過構(gòu)建單通道或雙通道的神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行文本特征的提取，而通道模型隨著網(wǎng)絡(luò)層數(shù)的增加，性能將受到影響，不能夠充分的提取文本的特征，針對此問題，本文提出基于改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)的中文文本情感分析方法。

綜上所述，提供一種可通過改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)判斷中文文本的情感傾向，且能有效地提高中文文本情感分析準(zhǔn)確率的基于改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)的中文文本情感分析方法，是本領(lǐng)域技術(shù)人員急需解決的問題。

發(fā)明內(nèi)容

本方案針對上文提到的問題和需求，提出一種基于改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)的中文文本情感分析方法，其由于采取了如下技術(shù)方案而能夠解決上述技術(shù)問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于改變神經(jīng)網(wǎng)絡(luò)通道基數(shù)的中文文本情感分析方法，包括以下步驟：步驟Step1:將中文文本數(shù)據(jù)集通過詞嵌入系統(tǒng)進(jìn)行預(yù)處理，得到中文文本信息對應(yīng)的詞序列和所述詞序列對應(yīng)的詞向量矩陣，所述詞向量用于表征所述詞序列中的詞和詞的位置；

步驟Step2:構(gòu)建多通道模型，所述多通道模型由n組并行的CNN-BiGRU-Attention網(wǎng)絡(luò)組成，利用多通道模型進(jìn)行特征提取，得到相應(yīng)的n個局部特征向量；

步驟Step3:使用全連接函數(shù)將所述n個局部特征向量拼接在一起生成全局特征向量；

步驟Step4:將生成的所述全局特征向量，輸入sigmoid分類器進(jìn)行分類，得到最終的情感分析結(jié)果。

進(jìn)一步地，所述預(yù)處理包括：獲取中文文本數(shù)據(jù)集，將所述中文文本數(shù)據(jù)集中的原始文本數(shù)據(jù)進(jìn)行分詞，得到單個字組成的句子序列，將所述句子序列輸入word2vec中的Skip-gram模型訓(xùn)練詞向量，進(jìn)而得到所述句子序列對應(yīng)的詞向量矩陣S＝{x₁,x₂,…,x_n},其中，句子序列中每個字的字向量為x_i，x_i∈R^n×d，n為字?jǐn)?shù)，d為向量維度。

更進(jìn)一步地，每組CNN-BiGRU-Attention網(wǎng)絡(luò)的特征提取過程包括：

A.將所述詞向量矩陣輸入CNN網(wǎng)絡(luò)提取輸入文本數(shù)據(jù)的局部特征信息，利用卷積神經(jīng)網(wǎng)絡(luò)CNN的3種尺寸的卷積核將所述詞向量矩陣對應(yīng)的字向量按不同單詞數(shù)量劃分組合提取特征，得到3種對應(yīng)的不同特征值；