[发明专利]情感分类方法、装置、电子设备及存储介质

权利要求书

1.一种情感分类方法，其特征在于，所述方法包括：

获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；

对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；

利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；

利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。

2.如权利要求1所述的情感分类方法，其特征在于，所述对所述初始字词集进行编码处理，得到整数编码，包括：

确定所述初始字词集中每个初始字词的分类变量；

对所述分类变量进行编码命名处理，得到整数编码。

3.如权利要求1所述的情感分类方法，其特征在于，所述根据所述整数编码对所述初始字词集进行向量化，得到标准词向量集，包括：

在二维直角坐标系中选择任意一个目标点；

将所述初始字词集中的初始字词以所述目标点为基准进行纵向排列，将所述分类变量以所述目标点为基准按照所述整数编码的顺序进行横向排列；

若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点相同，令所述交叉点为第一数值，若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点不相同，令所述交叉点为第二数值，得到由所述第一数值和所述第二数值构成的结果矩阵；

从所述结果矩阵中提取所述第一数值或所述第二数值构成多个向量，得到标准词向量集。

4.如权利要求1所述的情感分类方法，其特征在于，所述利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集，包括：

获取所述标准词向量集中多个目标向量；

计算所述多个目标向量的多个前向向量和多个后向向量；

利用预设的双向语义计算公式、所述多个前向向量和所述多个后向向量进行计算，得到所述多个目标向量的多个语义词向量；

汇总所述多个语义词向量，得到所述语义词向量集。

5.如权利要求1所述的情感分类方法，其特征在于，所述利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，包括：

通过所述输入门计算所述语义词向量集中语义词向量的状态值；

通过所述遗忘门计算所述语义词向量集中语义词向量的激活值；

根据所述状态值和所述激活值计算所述语义词向量的状态更新值；

利用所述输出门计算所述状态更新值对应的初始文本序列；

根据预设的损失函数计算所述初始文本序列与预设的真实标签的损失值，当所述损失值小于预设阈值，确定所述初始文本序列为所述语义词向量的目标文本序列。

6.如权利要求5所述的情感分类方法，其特征在于，所述根据预设的注意力机制对所述目标文本序列进行概率计算，得到概率值，对所述概率值进行分析得到情感分类结果，包括：

根据预设的权重系数公式计算所述目标文本序列的权重系数；

利用所述权重系数计算所述目标文本序列的上下文序列；

根据所述上下文序列和预设的概率计算公式计算所述目标文本序列对应的概率值；

若所述概率值大于预设的第一概率值，判定所述情感分类结果为正面情感；

若所述概率值小于预设的第一概率值且大于预设的第二概率值，判定所述情感分类结果为负面情感；

若所述概率值小于预设的第二概率值，判定所述情感分类结果为中性情感。

7.如权利要求1至6中任一项所述的情感分类方法，其特征在于，所述对所述原始文本数据进行文本预处理，得到初始字词集，包括：

抽取所述原始文本数据中的关键语句，得到关键语句集；

对所述关键语句集进行去停用词处理，得到去停语句集；

对所述去停语句集进行分词处理，得到初始字词集。