[发明专利]一种基于GRU模型的老挝语情感分析方法

权利要求书

1.一种基于GRU模型的老挝语情感分析方法，其特征在于：包括如下步骤：

Step1，老挝语情感分析语料预处理，并进行数据集划分，训练集占90％，测试集占10％；

Step2，Word2Vec训练语料的词向量，计算生成句子相应的特征向量；

Step3，使用Word2Vec生成含有句子情感的特征向量来训练GRU模型；

Step4，按照训练集方式构建测试集，输入到GRU，进行情感分类。

2.根据权利要求1所述的一种基于GRU模型的老挝语情感分析方法，其特征在于，所述语料数据分为正类、负类，其中语料预处理的步骤为：

Step1.1：通过对老挝语语料切分音节，再完成音节和词典的最长匹配，然后得到的分词结果和错误词典进行匹配，以期纠正部分错词；

Step1.2：最后利用制定的老挝语中字母、数字分布规则,对分词结果中相应的词串进行正则表达式匹配,校正错误的分词；

Step1.3：分词完成后，去除停用词。

3.根据权利要求1所述的一种基于GRU模型的老挝语情感分析方法，其特征在于：所述步骤Step2通过Word2Vec词到向量的方法对老挝语句子进行词级特征向量训练，具体步骤为：

通过Word2Vec训练预料的词向量，对每个句子的所有词向量取均值，来生成对应句子的向量，然后利用Word2Vec模型进行训练，基于Hierarcical Softmax，训练模式选用CBOW模型：该网络结构包含了三层，分别为输入层、投影层和输出层，假设存在样本(Context(w),w)，其中Context(w)是由w前后各c个词构成作输入样本train_X,w作输出值train_Y，最终计算生成句子相应的词向量；其中：

(1)输入层：

包含Context(w)中2c个词向量V(Context(w)_1),V(Context(w)_2),......,V(Context(w)_2c),组成，词向量长度相同；

(2)投影层：

将输入层2c个词向量累加后求平均作为X_w；

(3)输出层：

输出层是对应一棵霍夫曼树，其中叶子节点就是对应词汇表中的词，用θ_i表示节点的权重，是一个向量，根节点是投影层的输出X_w。

4.根据权利要求1所述的一种基于GRU模型的老挝语情感分析方法，其特征在于，所述步骤Step3的具体步骤为：

使用Step2中Word2Vec生成含有句子情感的向量来作为GRU模型输入，学习率设置为0.1，0.01，0.001，使用网格搜索方法选择合适的学习率，迭代次数设置为10000。

5.根据权利要求1所述的一种基于GRU模型的老挝语情感分析方法，其特征在于：所述步骤Step4的具体步骤为：按照训练集方式构建测试集，将词向量输入到GRU模型，进行情感分类，训练的预测结果是一个[0,1]区间的连续的实数，将0.5设为阈值，也就是将大于0.5的结果判断为正类，将小于0.5的结果判断为负类。