[发明专利]一种基于深度学习的用户情感分析方法

说明书

本发明公开了一种基于深度学习的用户情感分析方法，其中，方法的实现包括数据预处理、词向量学习、文本向量学习、用户特征向量表示、用户情感分析以及模型更新。本发明方法使用用户发表的文本信息提取用户的特征向量，并基于该用户特征向量及词向量信息实现基于用户特征的文本情感分析，基于本发明不仅优化了用户特征学习的复杂程度、而且得到的用户特征向量具有更丰富的用户画像信息，使得基于该用户特征向量及词向量对文本进行情感分析时提升了情感分析的准确度及效率。

技术领域

本发明属于情感分析技术领域，更具体地，涉及一种基于深度学习的用户情感分析方法。

背景技术

随着互联网的快速发展，用户规模呈爆发式增长，同时促进了人们社交网络的形成与拓展。社交网络已经在我们的日常生活中成为不可代替的一部分。每个用户都可以随时把自己的心情，态度，观点发布于网络，也可以利用社交网络发现具有相同观念的好友，快速获取最新的知识。情感分析是数据挖掘领域的研究热点之一，传统的情感分析方法在进行文本相关特征提取时会产生一定的噪声或信息缺失，同时在情感预测方面也存在一定缺陷。基于深度学习的情感分析方法可以自动的学习并在模型中利用文本相关特征，然而现有深度学习方法对于文本的用户等信息利用不全面。

用户情感分析的关键之一在于合理的利用用户信息。利用用户信息的分析任务通常是利用用户信息来提升情感分析的效果。或利用社交网络中用户的关注关系等发现社区或计算用户影响力，或利用用户的相关行为特征进行推荐。但传统的方法在利用用户的信息或用户表现的相关特征行为时均需要特征提取，而提取的特征不仅大多为离散的、多个不相关特征的叠加(如将用户的入度和出度分别作为一个特征)而且通常需要花费大量的计算代价。且提取的特征具有以下缺点：(1)特征维度大，易造成维度灾难和数据稀疏性，特征提取过程繁琐，特征提取的结果不完善或存在噪声；(2)传统特征提取往往不具有语义信息，故会造成原有文本语义信息的丢失，对于文本中的情感转移现象以及深层语义情感分析效果不理想。

发明内容

针对现有技术的以上缺陷或改进需求，本发明的目的在于提供了一种基于深度学习的用户情感分析方法，由此解决传统的用户情感分析方法在利用用户的信息或用户表现的相关特征行为时均需要特征提取，且提取的特征不仅大多为离散的、多个不相关特征的叠加而且通常需要花费大量计算代价，从而导致情感分析的准确度及效率较低的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的用户情感分析方法，包括以下步骤：

对原始数据集中的所有用户及其发表的文本内容进行预处理得到目标数据集，对目标数据集中的单词进行训练得到各单词对应的词向量，对目标数据集中的文本进行训练得到各文本对应的文本向量；

对于每个用户，基于用户u_x的用户信息及用户u_x发表的文本中单词的词向量(w₁,w₂,w₃,...,w_T)，最大化概率得到用户u_x的第一特征向量，其中，w_t表示词向量(w₁,w₂,w₃,...,w_T)中的任意词向量；

最大化概率得到用户u_x的第二特征向量，其中，N为用户数目，c为用户u_x发表的文本内容的个数，t_j为用户u_x发表的第j个文本的文本向量；

将用户u_x的第一特征向量以及用户u_x的第二特征向量进行拼接得到用户u_x的目标特征向量，通过所有用户的目标特征向量对待分析用户进行情感分析。

优选地，所述对目标数据集中的文本进行训练得到各文本对应的文本向量，包括：