[发明专利]基于深度学习的文本情感分类表示方法

摘要

本发明涉及一种基于深度学习的文本情感分类表示方法，包括：文本预处理；词语向量化：a.分布式词语特征向量表示；b.浅层词语特征向量化表示；将词语的分布式特征与浅层特征进行融合，得到特征融合矩阵；利用卷积神经网络提取抽象特征；利用句子特征训练文本情感分类模型。

主权项

1.一种基于深度学习的文本情感分类表示方法，包括下列步骤：1)文本预处理a.数据描述：针对文本进行情感分类，数据类别包括正向情感，中性情感，负向情感；b.构造数据集：经过数据清洗之后，在数据中随机选择80％的数据作为训练数据，剩余20％作为分类模型性能评估的测试数据，全部数据用于训练词向量矩阵；2)词语向量化：a.分布式词语特征向量表示：设一条文本s由n个词构成，经分词预处理后词语序列为W＝{w1,w2,...,wn}，每个词都用k维向量表示；词性序列为POS＝{pos1,pos2,...,posn}，每个词的词性都用m维向量表示，其中，词语与词性的向量表示均由word2vec工具训练得到；b.浅层词语特征向量化表示：对于一条文本，经分词预处理后词语序列表示为NEG＝{neg1,neg2,…,negn}，将语句的命名实体识别结果表示为二值向量，其中该词语若为命名实体则设置为0,否则为1，引入每个文本中词语的位置信息，表示为P＝{p1,p2,…,pn}＝{1,2,...,n}；c.将词语的分布式特征与浅层特征进行融合，每个词语表示为k+m+2长度的向量，令l＝k+m+2，那么每一条文本表示为l×n的特征融合矩阵；3)利用卷积神经网络提取抽象特征：该卷积神经网络由输入层和卷积层组成，其中输入层为某条文本经步骤1)和2)后得到的特征融合矩阵，而卷积层又分为卷积和池化两部分，首先利用不同长度的卷积核对输入层的矩阵依次进行卷积，并通过Sigmoid激活函数得到相应的不同长度的卷积结果；为使结果归一化，可采用池化方法选取每个卷积核卷积后最大值作为该卷积核下的局部特征，用局部特征代替文本的抽象特征。4)根据步骤3得到的句子特征训练文本情感分类模型。