[发明专利]一种基于深度学习的带有情感标签文本生成及评估系统

说明书

本发明涉及一种基于深度学习的带有情感标签文本生成及评估系统，特别是涉及一种基于深度学习的带有情感标签文本生成及评估系统,该方法由以下技术方案实现：通过数据传入模型，生成评论传入模型，最终打分并实现可视化，最终目的可以生成高质量的带有情感色彩的文本；此方法相对于目前现有的其他评估系统，最终实现生成文本质量更好，实现文本的最优选择，且设计文本可视化交互终端，方便进行模型优化与方法验证。

技术领域

本发明涉及一种评估系统，特别是涉及一种基于深度学习的带有情感标签文本生成及评估系统。

背景技术

随着Facebook、Twitter等社交网络的兴起，网络不仅成为了人们获取信息的重要来源，同时也成为人们表达自己观点的平台。通过在博客、主题、Twitter 等网络社区来评论热点事件、抒写影评观点、描述产品体验等，产生了大量带有情感倾向的文本信息，而通过对这些文本信息进行情感分析，可以更好地理解用户行为，发现用户对产品的倾向性、对热点事件的关注程度等。随着信息规模的急剧增大，仅仅依靠人工进行处理已经无法完成这一任务，这就促进了自然语言处理领域的一个研究热点，即文本情感分析技术的发展。

目前，文本情感分析的主要研究方法还是基于传统机器学习的算法，通过人工设计特征构造出结构化的文本信息特征，然后用机器学习的方法来进行分析。常用的文本情感分析方法有朴素贝叶斯、支持向量机、最大熵方法等，这些方法都可以被划分为浅层学习方法。浅层学习方法计算量小且实现容易，但是由于对复杂函数的表达能力的限制，使得对复杂分类问题的泛化能力受到制约。为弥补这一缺陷，人工构造特征被引入这一模型当中，如使用人工标注的情感词典、句法与语法分析等，虽然这些方法可以有效地提高文本情感分析的准确率，但由于需要过多的人工标注数据，费时费力，并且需要一定的先验知识，所以随着互联网规模的不断发展，文本数据规模的不断扩大，从而限制了这些方法的发展。本项目采用基于卷积神经网络和注意力模型的结构，避免了依赖人工构造特征的方法，采用相关数据集对网络模型进行训练后，再进行文本情感分析工作。

文本情感分析主要通过分析文本内容来判断文本所表达的情感倾向，发现用户对某一事件的关注程度，自2011年由volume等人提出关于情感分析的工作后，经过许多学者的研究，获得了很大的发展。情感分析技术大致可以分为基于规则的方法和基于统计的方法，其中基于情感词典的机器学习方法是目前的主要方法。Volume等人根据传统自然语言处理中的文本分类技术，使用了朴素贝叶斯、支持向量机和最大熵等模型，在电影评论上取得了不错的效果； Turney提出了采用依赖种子情感词集合，使用互信息的方法来判别某个短语是否是评价词语；Ding等人提出针对特定领域情感词配对的方法来判断情感极性；罗毅等人通过构建二级情感词典，使用N-gram模型获取文本特征进行情感分析；任远等人采用支持向量机和TFIDF计算特征项权值来进行情感分析。自 2006年由Hinton等人提出深度学习之后，随着深度学习方法在计算机视觉和语音识别领域的成功应用，越来越多的深度学习技术也被应用于自然语言处理方向。Mnih等人提出层析Log-Bilinear模型来训练语言模型。并随着Google开源了其代码，词嵌入被应用到自然语言处理多个领域；随着Kim利用卷积神经网络来进行句子分类后；Bahdanau等人提出使用注意力模型在机器翻译中取得了不错的效果，随后被应用于Google神经网络翻译系统中。

基于上述问题的解决需求，本发明提出基于卷积神经网络和注意力模型的结构来进行文本情感分析的工作并进行实验，经过实验验证，本文提出的方法是有效的。

发明内容

本发明的目的是提供涉及一种基于深度学习的带有情感标签文本生成及评估系统。

本发明的目的是通过以下技术方案实现的：