[发明专利]一种基于上下文信息和卷积神经网络的文本情感分类方法

权利要求书

1.一种基于上下文信息和卷积神经网络的文本情感分类方法，其特征在于，包括如下步骤：

步骤1：获取文本集合

D＝{D₁，D₂，…，D_N}

及对应的情感标签集合Y＝{y₁，y₂，…，y_N}，D_t表示第t个文本，y_t表示第t个文本的情感极性：如果D_t的情感为正面，则y_t＝1，如果D_t的情感为负面，则y_t＝2，如果D_t的情感为中性，则y_t＝3，1≤t≤N，N为文本集合D中的文本总数；

步骤2：对文本集合D中的每个文本D_t进行分词，并对分词结果进行去除停用词，从而获得第t个文本D_t所包含的词语序列d_i表示D_t中的第i个词语；1≤i≤m_t，m_t为去除停用词后D_t中包含的词语总数，也就是文本D_t的长度；

步骤3：取文本集合D中的最长文本长度为H，将每个文本的词语序列转换成固定长度{d₁，d2，…，d_H}，如果m_t＜H，则在词语序列后面补H-m_t个字符NULL；

步骤4：通过查表的方式得到文本D_t的词向量矩阵V_t＝[v₁，v₂，…，v_H]∈R^H×p，其中v_i∈R^p为词语d_i的词向量表示，其中p为词向量的维度，NULL对应的词向量为全0的p维向量；

步骤5：根据文本D_t的词向量矩阵V_t，计算文本D_t的上下文矩阵F_t；

步骤6：将文本D_t的词向量矩阵V_t和上下文矩阵F_t组合成3阶张量B_t∈R^H×p×2；

步骤7：应用同一尺度的卷积核集合{w₁，w₂，…，w_Q}和极大池化操作从文本D_t的3阶张量B_t中抽取Q维特征向量其中卷积核w_i的大小为l×p×2，i＝1，2，…，Q，l为卷积核窗口中词的数量；

步骤8：若有不同尺度大小的卷积核r种，每种尺度下卷积核有Q个，对每种尺度下的所有卷积核，应用步骤7都能抽取Q维的特征向量，将所有不同尺度的卷积核抽取的特征向量连接为特征向量s∈R^Qr；

步骤9：在特征向量s上应用全连接网络进一步抽取特征：

其中，W_fc与b_fc为需要根据数据训练的权重参数，f为非线性变换函数，如sigmoid、tanh、RELU；

步骤10：在特征向量上应用softmax分类器，得到文本D_t属于类别y_i的概率：

其中，α₁，α₂，α₃，β₁，β₂，β₃为softmax分类器的系数，需要通过模型训练得到，y_i＝1表示正面情感，y_i＝2表示负面情感，y_i＝3表示中性情感。