[发明专利]基于多通道神经网络的文本情感分析方法

说明书

本发明涉及一种基于多通道神经网络的文本情感分析方法，属于计算机技术领域。该方法包括步骤：1、将文本进行分词并映射为词向量矩阵；2、使用长短时记忆网络和卷积神经网络提取文本的高层上下文特征和原始上下文特征；3、利用多通道结构提取并融合不同视距的高层上下文特征和原始上下文特征，并通过局部注意力机制对各通道的特征进行加权，生成全局特征；4、利用全局注意力模块突出全局特征中的重要信息，最后使用Top‑K池化策略对特征进行筛选；5、利用自适应加权损失函数减少训练数据类不平衡对模型的影响。本发明能分析文本情感并对文本所表达的情感分类，实现了文本特征的准确提取和增强，具有较强的文本情感分析能力。

技术领域

本发明属于计算机技术领域，涉及基于多通道神经网络的文本情感分析方法。

背景技术

近年来，随着微博、微信、美团、Twitter等平台的兴起以及移动互联网技术的飞速发展， 越来越多人习惯在网络上发表他们的观点或评论。例如：网民在微博或Twitter上发表观点或 心情；消费者在美团等网站发表对餐馆或酒店的评价；购物者通过电商网站评论商品等。但 是面对网络产生的海量数据，使用人工识别是十分困难且不现实的，因此如何合理的使用计 算机技术处理分析数据，成为高效使用这些数据的一大难题。

由于自然语言的多义性，以及情感的长期依赖性，文本情感分析是一个巨大的挑战。大 多数文本中会同时包含正向和负向表述，这使得正确地判别出文本整体情感极性变得极其复 杂。文本情感分析通过学习文本上下文信息判定文本情感极性，近年来得到广泛关注。文本 情感分析的难点是对上下文内容关系建模以及整体情感判别。国内外研究者提出许多有效的 研究方法，大多采用传统自然语言特征或机器学习的方式进行文本情感分析。传统自然语言 处理任务依靠极性标签或句法结构定义丰富的特征，然后根据不同的权重计算出文本的情感 得分，最后根据不同的阈值将文本划分为不同的情感极性，或整合这些特征作为浅层学习分 类器的输入，从而获得情感倾向。虽然传统情感分析方法依然具有竞争力，但是特征的设计 往往需要专家领域知识，人工成本较高，系统泛化性和迁移性较差。同时，浅层学习对于复 杂任务与复杂表达有一定的局限性。近年兴起的深度学习方法能较好地弥补传统方法的缺陷， 深度学习能够自动学习描述数据本质的特征表达，从而避免了人工设计特征的缺陷，通过深 度学习还能模拟复杂函数。

目前，深度学习应用于情感分析领域的技术主要有词嵌入、CNN、循环神经网络(Recurrent Neural Network,RNN)和注意力机制等，词嵌入技术将文本表示为词向量矩阵，CNN通过共享 的权重提取文本的局部特征，RNN通过序列建模提取文本的长短期依赖信息，注意力机制通 过模拟人类注意力从而达到筛选特征的效果。CNN虽然具有较低的复杂度和计算参数，但是 对于长期的特征提取能力不足；RNN虽然能够提取长期依赖，但是却具有高复杂度的缺点， 而提取特征的质量与情感分类精度密切相关，因此设计一种能提取更合适文本特征的模型是 一项非常重要的工作。

发明内容

有鉴于此，本发明的目的在于提供一种基于多通道神经网络的文本情感分析方法。

为达到上述目的，本发明提供如下技术方案：

一种基于多通道神经网络的文本情感分析方法，包括以下步骤：

步骤一：训练词嵌入矩阵，使用词向量表示文本，生成词向量矩阵；

步骤二：利用空洞CNN和双向LSTM捕获高层上下文文本特征，利用双向LSTM提取原始上 下文特征，利用多通道结构提取并融合不同视距的高层上下文特征和原始特征，通过局部注 意力机制对各通道的特征进行加权，得到全局特征；

步骤三：使用全局注意力机制突出融合后全局特征中的重要信息，最后使用Top-K池化策 略对特征进行筛选；

步骤四：利用自适应加权损失函数提高模型的情感分析能力；

进一步，所述步骤一的具体过程包括：