[发明专利]一种属性情感词向量的深度学习方法

权利要求书

1.一种属性情感词向量的深度学习方法，其特征在于，该方法包括如下步骤：

步骤一：将电子商务网站产品评论的“大家印象”标签作为属性情感标签自动标注产品评论数据集，初始化词向量；

步骤二：提出深度学习模型ASWV将评论中蕴含的属性情感信息融入到词向量的训练过程，获得属性情感词向量；

步骤三：如果未满足迭代停止条件，则将属性情感误差反向传播更新属性情感词向量；

步骤四：输出属性情感词向量，构建细粒度的产品评论情感分析系统；其中：

所述步骤一中自动标注产品评论数据集，初始化词向量，包括如下步骤：

步骤a1：将淘宝和京东电子商务网站产品评论的“大家印象”标签作为属性情感标签，自动标注产品评论数据集；

步骤a2：在自动标注数据集上采用谷歌word2vec框架中的Skip-gram模型或者CBOW模型训练得到预训练的传统语义词向量字典；

步骤a3：通过查表，将产品评论句子中的词初始化为词向量；

所述步骤二中提出深度学习模型ASWV将评论中蕴含的属性情感信息融入到词向量的训练过程，包括如下步骤：

步骤b1：采用传统神经网络语言模型训练蕴含语义信息的词向量表示；

步骤b2：采用深度学习模型学习蕴含属性情感信息的词向量表示；

步骤b3：融合步骤b1学习的语义信息与步骤b2学习的属性情感信息，训练深度学习模型ASWV，获得属性情感词向量；

所述步骤三中反向传播更新属性情感词向量，包括如下步骤：

步骤c1：检查迭代停止条件，如果满足条件，跳到步骤四，否则将属性情感误差反向传播更新属性情感词向量。

2.如权利要求1所述的方法，其特征在于，所述步骤四中输出属性情感词向量，构建细粒度的产品评论情感分析系统，包括如下步骤：

步骤d1：输出属性情感词向量；

步骤d2：将得到的属性情感词向量直接作为深度神经网络模型的输入层构建端到端的产品评论情感分析系统；

步骤d3：将得到的属性情感词向量结合传统自然语言处理特征，采用机器学习算法构建产品评论的情感极性分类和情感强度预测系统。