[发明专利]基于表情分析和深度学习的社交网络情感分析方法

说明书

技术领域

本发明是一种基于表情分析和深度学习的社交网络情感分析方法。

背景技术

随着互联网的飞速发展，越来越多的用户喜欢在网络上发布自己的观点、分享个人的生活状态，同时加强与朋友的沟通交流，社交媒体也因此发展迅猛。微博，作为一个基于用户关系信息分享、传播以及获取的平台，改变了传统网络媒体交流方式，开创了一个新的社交媒体互动模式，给用户提供更为丰富的信息内容和便捷的沟通方式，迅速成为了最受欢迎的社交网络媒体。

在微博平台中，用户通过发表个人对社会热点事件的看法、某一产品的购物体验等等，来表达自己的情感，形成了海量的话题文本信息。充分处理分析这些文本信息具有重要的社会价值、商业价值以及用户价值。因此，如何提高微博情感分析的精度，使微博情感分析发挥更大的价值是一个充满意义的工作。

发明内容

本发明针对微博情感分析问题，设计了一种将表情分析与深度学习模型结合的具体情感分析方法，进而改善情感分析效果。技术效果如下：

一种基于表情分析和深度学习的社交网络情感分析方法，包括下列步骤：

1)文本预处理：过滤无用字符，并提取出微博文本中的表情字符作为该微博对应的表情信息。

2)数值化特征：将1)中预处理后的微博文本转换为数值向量T，同时，1)中所得的表情信息也转换成该表情对应的数值ID，然后将文本向量T与表情ID合并，形成新的数值向量V。

3)特征训练：将数值向量V作为深度学习模型的输入，进行特征训练，设输出的特征向量为F。

4)计算类别：对特征向量F进行Softmax回归，计算出该微博的情感类别概率分布，进而获得情感类别。

5)模型微调：将4)所得的情感类别与该微博实际所属的情感类别比较，并通过反向传播算法对模型进行微调，获得训练完成的模型。

基于表情分析和深度学习的社交网络情感分析方法，将深度学习应用至文本情感分析问题中，提高模型的精度进而获得更准确的情感分析效果。此外，本方法还考虑到微博平台为用户提高了丰富的默认表情，同时表情字符在微博中的使用也越来越频繁，逐渐成为用户表达情感的重要手段。因此，本方法并不像传统方法在分析文本时将表情字符作为无用信息过滤，而是提取表情字符，使其作为模型训练时的输入，进而获得更好的情感分析效果。有益效果如下：

1.利用深度学习模型的抽象特征提取能力学习文本的抽象特征，进而提高情感分析的精度；

2.通过在文本预处理阶段提取(而不是过滤)表情字符，并将表情字符作为后续深度学习模型的输入，为情感分析提供多维度的信息，进而提高情感分析精度。

附图说明

图1本方法的基本训练步骤

图2本方法的基本使用步骤

具体实施方式

下面结合附图对实施方式进行说明。

本方法提出的情感分析方法重点在于其模型的训练过程，该过程如图1所示，以下详细说明：

1)文本预处理：过滤无用字符，例如“转发微博”等；同时，提取出微博文本中的表情字符作为该微博对应的表情信息，由于该表情字符由微博平台提供，因此可根据其规律提取。

2)数值化特征：将1)中预处理后的微博文本通过word2vec工具转换为数值向量T，同时，1)中所得的表情信息也转换成该表情对应的数值ID，然后将文本向量T与表情ID合并，形成新的数值向量V。

3)特征训练：将数值向量V作为深度学习模型的输入，进行特征训练，设输出的特征向量为F。

4)计算类别：对特征向量F进行Softmax回归，计算出该微博的情感类别概率分布，进而获得情感类别。

5)模型微调：将4)所得的情感类别与该微博实际所属的情感类别比较，并通过反向传播算法对模型进行微调，最终获得训练完成的模型。

模型经过大量的训练数据训练完成后，再次输入微博文本即可获得该文本对应的情感类别结果，具体步骤如图2所示，其中“计算特征”与“计算情感类别结果”与训练过程中的“特征训练”与“计算类别”对应。