[发明专利]基于环境元嵌入和深度学习的情感倾向性分析方法

说明书

本发明提供了一种基于环境元嵌入和深度学习的情感倾向性分析方法，包括如下步骤：S1，采集用于训练的文本数据，获得分词文本；S2，利用word2vec和Glove训练出分词文本的词向量，再通过扩展分词文本的词向量特征的方式，获得环境元嵌入作为文本语义的词向量表示；S3，利用BLSTM和动态获取上下文窗口相融合的神经网络，自动学习上下文来抽取情感评论对象；S4，基于局部注意力机制，通过BLSTM训练所述文本语义的词向量，得到句子级特征向量；S5，通过卷积神经网络训练句子级特征向量，得到全局的文本级特征向量；S6，利用多分类函数Softmax对全局的文本级特征向量进行分类，得到文本数据的情感倾向。该方法提高了文本数据情感倾向判定的准确性。

技术领域

本发明涉及计算机文本情感分析领域，尤其涉及一种基于环境元嵌入和深度学习的情感倾向性分析方法。

背景技术

在移动互联网时代，网络已经逐渐渗入到人们生活中的各个方面，成为生活中必不可少的应用元素。随着言论的发表越发的自由，人们不再只是信息的被动获取者，而是更多扮演着信息制造者的角色。人们会通过各类网络平台，发表对热门事件的看法和见解，分享自己的心情感受，或是对某些产品的使用评价、心得体会等。这样随之而来的就是产生大量以文本方式呈现、包含大量情感信息的具有很大分析价值的评论信息，而怎样从这些具有研究价值的文本中提取出有用的情感信息，也成为了自然语言处理领域的一个热门课题。《心理学大辞典》定义情感是人对客观事物是否满足自己的需要而产生的态度体验，所以赋予计算机情感分析能力的研究引起了社会的广泛关注。而人工智能之父MarvinMinsky于1985年在《The Society of Mind》中指出，问题不在于智能机器能否拥有情感，而是在于机器实现智能化时一定不能没有情感，这也让情感分析的研究成为更加热门的课题。

20世纪六十年代，机器学习(Machine Learning,ML)开始崭露头角，并在80年代后开始在理论、算法、应用等方面都取得了可喜的成果。2006年以来，深度学习作为ML领域的一个延伸课题，走进了各大研究学者的视野并引起了广泛的关注，到现在，深度学习已成为各大领域的重要研究课题。深度学习是机器学习的延伸，所以准确说来，深度学习不能说是一种不同于的机器学习的全新方法，它可以被认为是一种特征学习，通过一些相对不复杂的但是却是非线性的模型，或者经过很多次的组合变换，将原始数据转化成更加抽象、更高层次的表达。因此，将深度学习应用到各种自然语言处理任务中，有着很大的研究意义和探索空间。

在自然语言处理相关研究任务中，文本情感分析是一个重要研究方向。情感分析又可以称为情感倾向性分析和观点信息挖掘，是对收集来的带有情感色彩的文本数据，进行预处理，然后进行归纳分类等操作进行情感倾向性分析的过程。文本情感分析的目标是给定一个文本作为输入，挖掘出文本中全部或部分的情感信息。现如今，越来越多的用户喜欢在一些公共社交平台上畅所欲言，抒发心情，或者表明自己的立场、观点或态度。随之而来的是大量主题分散、不规范且繁琐的文本信息数据的产生。但这些数据中涵盖了众多的话题，包含大量的情感信息，通过这些信息进行文本情感倾向性分析可以实现很多有价值的事。例如：政府部门可以通过人们对社会热点事件的看法，进行及时的舆情监控，控制舆论走向，稳定人心；娱乐明星根据大众评价，可及时进行自身的形象维护；通过对产品评价文本进行情感倾向性分析，不仅消费者可以据此进行产品选择、决策购买，而且商家可以据此进行产品改进优化，适当进行产品推广，提高市场占有率；另外，还可以对评论中的高压力人群或者抑郁患者进行及时的情感疏导。所以，从以上来看对这些文本信息进行情感分析，不仅是具有商业意义，还具有一定的社会意义，包括对社会稳定、国家治安都起到一定程度的积极维护作用。