[发明专利]基于隐私分组和情感识别的网络信息分析方法

说明书

本发明属于人工智能大数据分析领域，具体涉及一种基于隐私分组和情感识别的网络信息分析方法。本发明包括：将预处理后的大数据信道信息输入双向长短期记忆网络，进行特征提取，得到特征向量；将特征向量进行二次训练，得到基于多重注意力模型的Encoder‑Decoder模型；将采集到的待识别大数据集进行预处理，得到识别后的大数据集等。本发明使用双向长短期记忆网络进行特征提取，同时优化整个模型提出基于多重注意力模型的Encoder‑Decoder模型与双向长短期记忆网络相结合的方法，时长相对更短、预测速度也会相对更快、收敛速度快、识别准确率高。提高了情感分析的准确性，判断出的结果比传统的情感分析算法具有更高的精度。

技术领域

本发明属于人工智能大数据分析领域，具体涉及一种基于隐私分组和情感识别的网络信息分析方法。

背景技术

随着互联网大数据和人工智能的迅猛发展，多种网络社交手段已经深入到人类社会生活的各个方面，各种社交信息在网络上表达，包含个人和团体的态度、意见和情感。当今，网络信息已经从简单的浏览与接受向各个维度发展并形成了大数据级别的规模。信息识别的方法包括语音识别、动作识别、文字识别、音乐识别、密码识别和信道信息识别等。对于大数据技术和人工智能技术而言，一个很大的难题在于对信息文本进行自动化处理和分析，从分析结果中收集期望的价值信息。随着网络信息技术的不断积累，现在已经有各种大数据系统储存、聚集并分析处理了海量的大数据信息。然而，由于大数据信息中存有海量的个人、公司、社会团体等隐私，在大数据信息发布的过程中，如果不采取相关的保护措施，极有可能泄露敏感信息，造成意想不到的损失。

现有的技术包括类似双模态情感识别模型训练识别方法及基于大数据的隐私数据分级方法，其中动态大数据的要求应用适当的噪声添加机制，如果稍有不当即会累加极大的误差，使添加保护措施后的数据毫无用处。目前已经发布的面向动态大数据发布的相关方法，多是基于滑动窗口模型处理更新的数据，但是对衡量和增量数据的相似度的敏感性较差。最后现有方法并未考虑离线阶段训练的用户与在线阶段识别的用户出现差别可能的情况。由于不同用户发布相同信息都不会完全一致，而这种不一致在信道信息上表现的更明显，所以直接影响了识别的准确率。上述方法大多是用单一的方法去解决人工智能的大数据分析问题，无论是算法模型的可解释性、有效性还是应用性，都还有改进的空间。

发明内容

本发明的目的在于提供一种收敛速度快、识别准确率高的基于隐私分组和情感识别的网络信息分析方法。

本发明的目的是这样实现的：

基于隐私分组和情感识别的网络信息分析方法，包括如下步骤：

(1)获取大数据信道信息；

(2)对大数据信道信息进行预处理；

(3)将预处理后的大数据信道信息输入双向长短期记忆网络，进行特征提取，得到特征向量；

(4)将特征向量进行二次训练，得到基于多重注意力模型的Encoder-Decoder模型；

(5)将采集到的待识别大数据集进行预处理，输入已训练好的多重注意力模型的Encoder-Decoder模型中进行识别，得到识别后的大数据集；

(6)读取第i时间点接收的大数据集D_i；

(7)将大数据集D_i与上一个时间点接收的大数据集D_i-1进行推土机距离相似度计算；

(8)当推土机距离大于阈值τ，则对当前时间点的大数据集添加拉普拉斯噪声后进行直接发布，否则，执行步骤(9)；

(9)判断上一次大数据集发布是否为直接发布，如果是直接发布，则先对当前时间点的大数据集进行贪心分组，再进行发布；否则执行步骤(10)；