[发明专利]一种融合深度学习的学生文本反馈细粒度分析装置与方法

权利要求书

1.一种融合深度学习的学生文本反馈细粒度分析装置，其特征在于，包括：

数据获取模块，所述数据获取模块获取文本数据；

文本嵌入模块，所述文本嵌入模块连接所述数据获取模块，对所述文本数据进行词嵌入处理，并输出词向量；

深度学习模块，所述深度学习模块连接所述文本嵌入模块，利用卷积神经网络捕捉所述词向量的多尺度特征，并将所述多尺度特征传入加权双向金字塔网络进行特征融合，将融合后的特征传入文本范畴分类器和文本极性分类器，分别输出所述文本数据的范畴归类和情感极性。

2.如权利要求1所述的融合深度学习的学生文本反馈细粒度分析装置，其特征在于，所述文本嵌入模块的所述词嵌入处理是利用连续词袋模型训练得到词向量，同时加入位置信息，对所述文本数据中的每个字符的位置进行编码，最后融合词性标签嵌入，并且与经过所述连续词袋模型训练得到的所述词向量以及位置编码后的向量结合，成为最终的所述词向量。

3.如权利要求2所述的融合深度学习的学生文本反馈细粒度分析装置，其特征在于，所述连续词袋模型的输入是当前中心词的上下文相关的词对应的词向量，所述连续词袋模型的输出是所述当前中心词的词向量。

4.如权利要求1所述的融合深度学习的学生文本反馈细粒度分析装置，其特征在于，所述数据获取模块是利用光学字符识别扫描仪识别线下沟通的文本信息并存储为所述文本数据，或者是利用爬虫代码对线上沟通的文本信息进行爬取并存储为所述文本数据。

5.如权利要求1所述的融合深度学习的学生文本反馈细粒度分析装置，其特征在于，还包括：

数据预处理模块，所述数据预处理模块设置于所述数据获取模块与所述文本嵌入模块之间，将所述文本数据中信息不完整的数据直接丢弃，并将所述文本数据中的标点符号以及停止词删去，只保留纯字符信息。

6.如权利要求1所述的融合深度学习的学生文本反馈细粒度分析装置，其特征在于，还包括：

后处理模块，所述后处理模块设置于所述深度学习模块之后，将所述文本数据、所述范畴归类和所述情感极性进行存储。

7.如权利要求6所述的融合深度学习的学生文本反馈细粒度分析装置，其特征在于，所述文本数据、所述范畴归类和所述情感极性以三维元组的形式T，C，P进行存储，其中：T代表文本，C代表所述文本中评价内容的所述范畴归类，P代表反馈中体现的所述情感极性。

8.一种融合深度学习的学生文本反馈细粒度分析方法，其特征在于，所述方法包括如下步骤：

步骤1、根据线上线下的不同场景，采用不同的手段获取文本数据；

步骤2、对所述文本数据进行词嵌入处理，利用连续词袋模型训练得到词向量，同时加入位置信息，对所述文本数据中的每个字符的位置进行编码，最后融合词性标签嵌入，并且与经过所述连续词袋模型训练得到的所述词向量以及位置编码后的向量结合，成为最终的词向量；

步骤3、利用卷积神经网络捕捉所述词向量的多尺度特征，并将所述多尺度特征传入加权双向金字塔网络进行特征融合，将融合后的特征传入文本范畴分类器和文本极性分类器，分别输出所述文本数据的范畴归类和情感极性。

9.如权利要求8所述的融合深度学习的学生文本反馈细粒度分析方法，其特征在于，在所述步骤3中使用支持向量机来训练所述文本范畴分类器和所述文本极性分类器。

10.如权利要求8所述的融合深度学习的学生文本反馈细粒度分析方法，其特征在于，在所述步骤3中，根据线下和线上的不同特点，将所述线下的范畴类别分为：教学方法、教学态度和自我反省，将所述线上的范畴类别分为：教学方法、教学态度、自我反省和平台使用感；将极性类别分为：正面、中立和负面；将所述文本范畴分类器和所述文本极性分类器的预测结果分别与标签数据做对比，计算交叉熵损失函数，并运用随机梯度下降法来更新网络模型中的权值。