[发明专利]文本情感分类方法、装置、计算机设备及存储介质

权利要求书

1.一种文本情感分类方法，其特征在于，包括：

获取待进行情感识别文本所对应的词向量，将所述词向量输入至已训练的卷积神经网络模型，获取所述已训练的卷积神经网络模型的全连接层所输出的文本向量，以作为文本识别向量；

将所述文本识别向量进行线性判别分析降维，得到降维后文本向量；以及

将所述降维后文本向量作为文本情感分类器的输入以进行分类，得到文本情感识别结果。

2.根据权利要求1所述的文本情感分类方法，其特征在于，所述获取待进行情感识别文本所对应的词向量，包括：

将所述待进行情感识别文本通过基于概率统计分词模型进行分词，得到与所述待进行情感识别文本对应的分词结果；

通过Word2Vec模型获取所述分词结果中各词语对应的词向量。

3.根据权利要求1所述的文本情感分类方法，其特征在于，所述将所述词向量输入至已训练的卷积神经网络模型，获取所述已训练的卷积神经网络模型的全连接层所输出的文本向量，以作为文本识别向量，包括：

将所述分词结果中各词语对应的词向量从上至下依次排列以得到输入矩阵；

将所述输入矩阵作为所述已训练的卷积神经网络模型中输入层的输入，得到多个特征图；

将多个特征图均输入池化层，得到每一特征图的最大值所对应一维行向量；

将每一特征图的最大值所对应一维行向量输入至全连接层，得到与所述待进行情感识别文本对应的文本识别向量。

4.根据权利要求1所述的文本情感分类方法，其特征在于，所述将所述文本识别向量进行线性判别分析降维，得到降维后文本向量，包括：

计算获取与所述文本识别向量对应的类内散度矩阵；

计算获取与所述文本识别向量对应的类间散度矩阵；

将所述类内散度矩阵的逆矩阵与所述类间散度矩阵相乘，得到目标矩阵；

获取所述目标矩阵对应的多个特征值，获取特征值中数值排名位于预设的排名值阈值之前的特征值以作为目标特征值集合；

根据所述目标特征值集合中每一特征值对应的特征向量，获取与所述文本识别向量对应的投影矩阵；

将所述投影矩阵的转置矩阵乘以所述文本识别向量，得到降维后文本向量。

5.根据权利要求1所述的文本情感分类方法，其特征在于，所述将所述降维后文本向量作为文本情感分类器的输入以进行分类，得到文本情感识别结果，包括：

将所述降维后文本向量作为预先训练的支持向量机或预先训练的贝叶斯分类器以进行分类，得到文本情感识别结果。

6.一种文本情感分类装置，其特征在于，包括：

文本识别向量获取单元，用于获取待进行情感识别文本所对应的词向量，将所述词向量输入至已训练的卷积神经网络模型，获取所述已训练的卷积神经网络模型的全连接层所输出的文本向量，以作为文本识别向量；

向量降维单元，用于将所述文本识别向量进行线性判别分析降维，得到降维后文本向量；以及

情感分类单元，用于将所述降维后文本向量作为文本情感分类器的输入以进行分类，得到文本情感识别结果。

7.根据权利要求6所述的文本情感分类装置，其特征在于，所述文本识别向量获取单元，包括：

输入矩阵获取单元，用于将所述分词结果中各词语对应的词向量从上至下依次排列以得到输入矩阵；

特征图获取单元，用于将所述输入矩阵作为所述已训练的卷积神经网络模型中输入层的输入，得到多个特征图；

池化单元，用于将多个特征图均输入池化层，得到每一特征图的最大值所对应一维行向量；

全连接处理单元，用于将每一特征图的最大值所对应一维行向量输入至全连接层，得到与所述待进行情感识别文本对应的文本识别向量。