[发明专利]基于深层多词嵌入Bi-LSTM残差网络的健康舆情分析方法在审
| 申请号： | 201810319393.0 | 申请日： | 2018-04-11 |
| 公开（公告）号： | CN109670164A | 公开（公告）日： | 2019-04-23 |
| 发明（设计）人： | 陈雷霆;李巧平;陈秋生;温洋;刘薇;徐安 | 申请（专利权）人： | 东莞迪赛软件技术有限公司;电子科技大学广东电子信息工程研究院 |
| 主分类号： | G06F17/27 | 分类号： | G06F17/27;G06F16/35;G06N3/04 |
| 代理公司： | 北京汇捷知识产权代理事务所(普通合伙) 11531 | 代理人： | 李宏伟 |
| 地址： | 523000 广东省东莞市松山*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深层多词嵌入Bi‑LSTM残差网络的健康舆情分析方法，涉及信息技术领域，该基于深层多词嵌入Bi‑LSTM残差网络的健康舆情分析方法通过改进Bi‑LSTM网络，结合多词嵌入以及残差网络方法，提高了网络的鲁棒性，使之能够对复杂舆情文本进行处理，得到了很好的效果，从而提高其分类器的分类精度。 | ||
| 搜索关键词： | 残差 嵌入 舆情分析 网络 信息技术领域 分类器 鲁棒性 健康 文本 分类 改进 | ||
【主权项】：
1.一种基于深层多词嵌入Bi‑LSTM残差网络的健康舆情分析方法，其特征在于：所述基于深层多词嵌入Bi‑LSTM残差网络的健康舆情分析方法通过各种渠道收集大量的文本语料，进行预处理和分词后，得到文档和词语数据，使用Word2Vec，Glove，FastText等新型词向量训练工具进行词向量训练，得到多个预训练词向量，整个深度神经网络由多个子网络构成，对于每一个子网络而言，其结构相同，但使用不同的预训练词向量，将多个子网络的输出通过Attention机制进行提取拼接后，作为全连接层的输入，并在网络末端将全连接层的输出作为sigmoid层的输入，用于最后的分类，此外，区别于直接将上一层Bi‑LSTM的输出直接作为下一层Bi‑LSTM的输入，将上一层Bi‑LSTM的输出与上上一层Bi‑LSTM的输出进行加和计算，将加和结果作为下一层Bi‑LSTM层的输入，从而将人工神经元残差随网络传递，达到防止网络退化的目的。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东莞迪赛软件技术有限公司;电子科技大学广东电子信息工程研究院，未经东莞迪赛软件技术有限公司;电子科技大学广东电子信息工程研究院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810319393.0/，转载请声明来源钻瓜专利网。
