[发明专利]基于进化神经网络架构搜索的情感分析模型构建方法

说明书

本发明公开了一种基于进化神经网络架构搜索的情感分析模型构建方法，包括以下步骤：群初始化；以嵌入层为第一层，封装数个卷积层单元、数个池化单元和数个全连接单元，并以全连接单元结尾，随机产生M条染色体；采用准确率作为适用度函数进行适应度评估；采用轮盘赌法选择数个染色体个体，组成第一染色体种群；采用不等长染色体交叉方法对第一染色体种群的染色体个体进行两两交叉，得到数个染色体个体，组成第二染色体种群；对第二染色体种群的染色体个体的某一卷积层单元或池化单元或全连接单元进行添加或替换或删除；计算第二染色体种群的染色体个体的适应度，直至到达预设的迭代次数，并采用适应度选出最优的神经网络结构的染色体个体。

技术领域

本发明涉及情感分析模型构建技术领域，尤其是基于进化神经网络架构搜索的情感分析模型构建方法。

背景技术

情感分析(Sentiment Analysis)是指对带有情感色彩的文本进行抽取、分析、处理、归纳的过程。如何从大量文本中有效的获取其蕴含的情感信息，并在此基础之上进行分析与总结，就是情感分析的主要研究内容。由于情感分析研究涉及了信息检索、机器学习、自然语言处理、文本挖掘等多个领域，得到了各类研究机构的广泛关注，同时，情感分析也应用在市场竞争、消费者选择、可视化分析、政府选举等各类领域中。

情感分析的本质是一个分类问题。一段文本通常包含主观性文本和客观性文本，其中客观性文本是对各类事物、事实的客观性描述，不具有情感倾向。主观性文本主要包含作者对各类事物的意见或看法，具有明确与作者厌恶、喜好相关的的情感色彩。这些主观性文本和客观性文本就构成了与之对应的语句。纵观当前主观性文本情感倾向分析的研究工作，现有技术中主要的研究方法和技术方案分为主要有以下两种：

第一种方法是基于语义的情感词典方法，这种方法主要通过构建情感词典，分析出文本中的情感倾向词和对应语句的特殊结构，接着对文本语句中每一个带有情感倾向的词赋予特定权重，给整体句子设置情感倾向阈值，最后通过数学公式，对文本采用相应的统计方法进行情感分析，如果超过了阈值，则将该段文本语句划为该类情感倾向。这种方法较为依赖赋予情感词的权值和确定情感倾向性的阈值，用来判断情感强弱的方法也过于简单。如果对情感强度不同的情感词赋予的权值和确定情感倾向性的阈值存在一定误差，那么最终情感分析的结果就不够准确。

第二种方法是基于深度学习的方法，这种方法一般采用向量表示文本语句，通过构建对应的神经网络，将词嵌入提取到的文本特征放入深度神经网络中进行训练，以此训练得到情感分析模型，最后利用训练好的神经网络模型对测试集中的文本进行情感分类。基于深度学习的方法在情感分类任务中经常取得较好的效果，但是由于设计出的神经网络的结构有所不同，对于最终的情感分析效果不同。神经网络架构设计通常是需要领域专家经过多年研究，依靠人工经验设计、搭建实现的。此外，这种方法在早期还需要大量时间人为调参，需要占用较多的计算资源。

因此，急需要提出一种准确性高、节省资源的基于进化神经网络架构搜索的情感分析方法。其给定的神经网络基本参数范围，使用进化算法自动搜索出神经网络的结构，以此来提高情感分析的准确性。

发明内容

针对上述问题，本发明的目的在于提供一种基于进化神经网络架构搜索的情感分析模型构建方法，本发明采用的技术方案如下：

基于进化神经网络架构搜索的情感分析模型构建方法，包括以下步骤：

步骤S1，对嵌入层、卷积层单元、池化单元和全连接单元进行群初始化；

步骤S2，以嵌入层为第一层，封装数个卷积层单元、数个池化单元和数个全连接单元，并以全连接单元结尾，随机产生M条染色体；任一染色体的总层数小于预设染色体的总层数；所述M为大于1的自然数；

步骤S3，采用准确率作为适用度函数进行适应度评估；

步骤S4，采用轮盘赌法选择数个染色体个体，组成第一染色体种群；