[发明专利]一种CNN-SVM模型的构建及倾向性分类方法

权利要求书

1.一种倾向性分类方法，基于构建的CNN-SVM模型实现，所述CNN-SVM模型的构建方法，包括：从社交媒体上抓取基于某一事件的所有评论和转发信息，构建训练样本集；建立包含卷积层、采样层和分类层的CNN模型，利用训练样本集训练CNN模型的各层参数；将训练好参数的CNN模型中的卷积层、采样层与SVM分类器联合在一起，构成CNN-SVM模型；将训练样本集输入CNN-SVM模型，训练SVM分类器的参数；所述CNN-SVM模型构建完成；

所述方法具体包括：

步骤1)从社交媒体上抓取基于某一事件的所有评论和转发信息，对这些信息进行预处理，得到若干个句子；提取句子的word2vec的特征；将所有含有等量正负倾向性的句子形成训练样本集；所述预处理包括：去掉过短的句子、分词和停用词；

步骤2)建立CNN模型；所述CNN模型包括：卷积层、采样层和分类层；其中，卷积层和采样层的层数为1；分类层为一个soft-max的全连接层；

步骤3)利用训练样本集训练CNN模型的各层参数；

步骤4)将训练好参数的CNN模型中的卷积层、采样层与SVM分类器联合在一起，构成CNN-SVM模型；

步骤5)将训练样本集中的每个句子输入训练好的CNN模型的卷积层和采样层，将采样层输出的结果输入到SVM分类器中，得到预测结果；计算预测结果和真实的标注结果的差值，根据差值调整SVM分类器的参数，直到SVM分类器所有参数训练完毕；

步骤6)CNN-SVM模型构建完成；

所述步骤3)具体包括：

步骤3-1)将每个训练样本表示成矩阵S∈R^(s×n)，矩阵S由s个词语向量组成：[w₁，...，w_i，...，w_s]，每一个词语向量为n个已经用word2vec特征表示的向量：[v₁，...，v_i，...，v_n]；

步骤3-2)将矩阵S输入CNN模型的卷积层，输出特征图谱C；

卷积层包含t种类型的滤波器F∈R^(m×n)，m是滤波器的宽度，n和矩阵S的n相同，第i个卷积后的结果计算如下：

其中，S_{[i-m+1：i，：]}表示宽度为m的矩阵块，是卷积符号，表示矩阵块S_{[i-m+1：i，：]}与第p个滤波器F的第q个卷积核之间的元素对应相乘，得到一个特征图谱c_pq∈R^(1×(s-m+1))；那么每个矩阵S输入卷积层会输出特征图谱矩阵C：[c₁₁，…，c_1n，…，c_tn]；

步骤3-3)将特征图谱矩阵C输入采样层，每一个特征图谱c_nq都将返回一个最大值：从而得到特征图谱矩阵C的高维度特征矩阵

步骤3-4)将采样层的输出D输入分类层，使用下面的公式计算句子标签的概率：

其中w_k和b_k是分类层的第k个节点的权重和偏移向量，K是分类层的节点的总个数；B＝(b₁，b₂，…b_K)，W＝(w₁，w₂，…w_K)；

步骤3-5)将训练样本集中每个样本对应的矩阵S依次输入CNN模型的卷积层和采样层，得到高维度特征矩阵D，然后输入分类层，得到预测结果；计算预测结果和真实的标注结果的差值，根据差值调整CNN模型中的参数，直到所有参数训练完毕；

所述倾向性分类方法包括：

步骤S1)对待分类的评论进行预处理，得到若干个句子；提取句子的word2vec的特征；获取输入矩阵S₀；

步骤S2)将输入矩阵S₀输入训练好的CNN-SVM模型，得到该评论的分类结果：情感标签。

2.根据权利要求1所述的倾向性分类方法，其特征在于，如果待分类的评论含有转发的文本，所述方法还包括：

步骤S3)在转发过程中每个被转发的路径为转发树的一个节点，构建转发树；

步骤S4)将步骤S2)得到的情感标签根据转发路径中的转发节点进行逻辑运算，逻辑运算公式如下：

其中，Node_i是转发树的第i个节点的倾向性，它的真实倾向性是将其前n个节点的真实情感结果相乘得到最终的分类结果n_i，n₀是使用CNN-SVM模型输出的倾向性，倾向性取值为-1或1；其中，-1表示负向情感，1表示正向情感。