[发明专利]一种基于深度学习的文本情感分析方法

权利要求书

1.一种基于深度学习的文本情感分析方法，其特征是：

(1)文本数据预处理：去除停用词，提取关键字，所述的提取关键字是采用TextRank关键字提取算法形成关键字集合；

(2)构建文档拓扑交互图：通过构建关键字共现图，形成稠密的子图；获取子图和文档中句子的向量表示，进而将句子分配给子图；设计子图与子图之间的边缘连接和边缘权重，形成文档的拓扑交互图表达；

(3)执行Emo-GCN训练模型：将步骤(2)中形成的拓扑交互图作为Emo-GCN模型的输入，在Emo-GCN训练模型中，首先进行抽取节点特征变换：每一个节点将自身的特征信息经过变换后发送给邻居节点，通过邻接矩阵A和特征矩阵H^(l)得到每个顶点邻居特征的汇总；其次融合局部结构信息：每个节点都将邻居节点的特征信息聚合起来，获得节点聚合矩阵；将聚合的信息做非线性变换，增强模型的表达能力，所述的非线性变换采用非线性激活函数；

具体步骤如下：

(3-1)初始输入为一个特征矩阵H⁽⁰⁾＝N×F⁽⁰⁾，其中N为节点数量，F⁽⁰⁾为每个节点输入特征的数量，卷积层的传播规则如下：其中邻接矩阵是对邻接矩阵进行归一化操作，为了在信息传递过程中保持特征矩阵H^(l)的原有分布；

(3-2)抽取节点特征变换：每一个节点将自身的特征信息经过变化后发送给邻居节点，通过邻接矩阵A和特征矩阵H^(l)相乘得到每个顶点邻居特征的汇总信息；

(3-3)融合局部结构信息：每个节点都将邻居节点的特征信息聚合起来，即上一步得到的特征汇总矩阵再乘权值矩阵W^(l)获得聚合矩阵；

(3-4)非线性变换：将步骤(3-3)中聚合的信息做非线性变换，传播规则公式中的σ即为非线性激活函数；

(3-5)在卷积层后加一个池化层。

2.根据权利要求1所述的基于深度学习的文本情感分析方法，其特征是：在步骤(2)中，通过判断两个单词是否同时出现在一个句子中来决定是否共现。

3.根据权利要求2所述的基于深度学习的文本情感分析方法，其特征是：所述非线性激活函数为ReLU函数或Sigmoid函数。