[发明专利]一种基于深度表征技术和三支决策的句子情感分类方法

权利要求书

1.一种基于深度表征技术和三支决策的句子情感分类方法，其特征在于，包括：

(1)进行句子预处理，删除句子中的标点符号，对句子进行中文分词；

(2)将中文分词后的词语序列输入到深度学习训练模型，生成句子词向量矩阵；

(3)将深度学习训练模型中生成的词向量矩阵输入三支决策分类器，从而得到模型预测的情感分类结果。

2.如权利要求1所述的基于深度表征技术和三支决策的句子情感分类方法，其特征在于，对句子进行中文分词包括:

利用spacy中文分词工具，将句子切分为词语序列，经过分词得到的结果，并表示成词语序列以及词语序列公式。

3.如权利要求1所述的基于深度表征技术和三支决策的句子情感分类方法，其特征在于，生成句子词向量矩阵包括：

采用BERT深度学习模型,规定词向量维度为100维，首先把每个单词{W1,W2,……,Wn}都通过BERT嵌入层投射成单词向量{x1,x2,……,x100}，然后将单词向量{x1,x2,……,x100}输入到BERT的双向编码器，得到词向量矩阵Re；

BERT训练模型中生成的词向量矩阵Re,Re的维度即为评论句子中词语的数目。

4.如权利要求3所述的基于深度表征技术和三支决策的句子情感分类方法，其特征在于，将深度学习训练模型中生成的词向量矩阵输入三支决策分类器，从而得到模型最终预测的情感分类结果包括：

先将词向量矩阵Re输入到Softmax分类器中，计算概率p＝Softmax(w*Re+b)，其中，w为Softmax分类器训练时得到的权重系数矩阵，b为Softmax分类器训练时得到的偏置系数矩阵，p为输出的预测情感概率；

根据三支决策方法，进行情感分类，三支决策中，需要确定2个参数，α和β，α＝(η–1)/η，β＝1/η，由于0≤βα≤1，所以η2，如果p≥α，则情感分类为积极；如果p≤β，则情感分类为消极；如果β＜p＜α，则情感分类为中性；通过三支决策分类器的算法得到模型最终预测的情感分类结果。

5.如权利要求4所述的基于深度表征技术和三支决策的句子情感分类方法，其特征在于，η＝2.85，α＝0.65，β＝0.35。