[发明专利]基于核极限学习机优化的情感倾向预测方法及设备

说明书

本发明提供了一种基于核极限学习机优化的情感倾向预测方法及设备。所述方法包括：步骤1至步骤8。本发明可以集合多目标场景进行多目标优化，将多目标优化问题通过目标约简形成一个双目标的优化问题，利用海鸥优化算法的寻优能力和较快的收敛速度并结合多目标优化策略，可以得到最优的核极限学习机参数组合，建立预测模型能提高情感倾向预测准确率。

技术领域

本发明实施例涉及计算机网络技术领域，尤其涉及一种基于核极限学习机优化的情感倾向预测方法及设备。

背景技术

随着互联网的不断发展，手机、电脑的日益普及为广大的网民提供全方位的发声渠道。不同的网民带着不同的见解进行评论，他们的情感倾向可以左右很多事件的发展进程。网络的最大特点是匿名和普及性，这就给很多不知名的网站提供了机遇，这些网站为了增加知名度和关注度，又或受雇于追逐利益的商户，经常进行虚假宣传，进而影响舆论的正确走向，让原本正确的舆论偏离正轨。对此，网络舆情的监控和引导是有关部门的重要任务。网络舆情相较于其他传统舆情，所具有较大的传播范围和较快的传播速度。因而，网络舆情可以最直接、最快速的表达广大网民的心声，让社会更加直观、实时的了解到民众的心声。当前网络舆情所产生的数据都比较分散，如何对大数据进行集中处理，如何正确的从中提炼有用的信息，是现阶段社会舆情管控所面临的巨大挑战。因此，开发一种基于核极限学习机优化的情感倾向预测方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

发明内容

针对现有技术存在的上述问题，本发明实施例提供了一种基于核极限学习机优化的情感倾向预测方法及设备。

第一方面，本发明的实施例提供了一种基于核极限学习机优化的情感倾向预测方法，包括：步骤1：对情感倾向预测数据集进行处理，主要包括数据清洗、数据集成、数据转换和词性标注，构建词云图，了解词义以及词性的分布，并对数据集进行切分；步骤2：核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限有学习机模型；步骤3：确定多目标函数以及核极限学习机优化参数，包括初始权值和阈值；步骤4：定义多目标优化策略，寻找目标子集，目标子集尽可能少的保留或改变原问题的帕累托集优势结构；步骤5：利用海鸥优化算法寻找帕累托解；步骤6：判断当前的迭代次数是否达到最大迭代次数Max_iter，若达到则输出多目标优化核极限学习机的最优参数组合；若未达到，则返回步骤5继续进行迭代；步骤7：根据得到的核极限学习机的最佳参数集合建立情感倾向预测模型，采用训练数据集对情感倾向预测模型进行训练建模；步骤8：采用测试集对训练好的情感倾向预测模型进行测试，验证情感倾向预测模型的有效性。

在上述方法实施例内容的基础上，本发明实施例中提供的基于核极限学习机优化的情感倾向预测方法，所述核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限有学习机模型，包括核极限学习机的激活函数：

h(x)＝k(x_i,x_j)

其中，k(x_i,x_j)为Line_kernel、RBF_kernel、Poly_kernel或Sigmoid_kernel类型，h(x)为核极限学习机模型的激活函数。

在上述方法实施例内容的基础上，本发明实施例中提供的基于核极限学习机优化的情感倾向预测方法，所述核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限有学习机模型，包括核极限学习机模型：

其中，H为隐含层矩阵，H^T为隐含层矩阵的广义逆，T为预测目标向量，为对称矩阵中对角上的元素与偏置量的和，C为随机系数。

在上述方法实施例内容的基础上，本发明实施例中提供的基于核极限学习机优化的情感倾向预测方法，步骤3中的多目标函数，包括：