[发明专利]一种基于Bi-LSTM深度学习的餐厅评论情感分析系统

说明书

本发明属于自然语言处理领域，具体涉及一种基于Bi‑LSTM深度学习的餐厅评论情感分析系统，包括文本到向量模块、模型体系结构模块、情感预测模块，所述文本到向量模块连接有模型体系结构模块，所述模型体系结构模块连接有情感预测模块。本发明提供了一种基于Bi‑LSTM深度学习的餐厅评论情感分析系统，通过对Bi‑LSTM网络进行优化，并找出了最佳的超参数组合，对餐厅评论进行智能化，自动化，其实验性能比人工收集数据分析的效率要强很多，甚至对比机器学习方法和其他神经网络的性能都要好一些。具有智慧化、自动化、准确率高、效率高等优点。本发明用于对餐厅评论的情感分析。

技术领域

本发明属于自然语言处理领域，具体涉及一种基于Bi-LSTM深度学习的餐厅评论情感分析系统。

背景技术

目前，生活信息服务类、餐饮行业等平台性网站上针对不同的餐厅和服务有成千上万条评论，对于餐厅而言，用户对餐厅的食物质量、环境和服务标准的意见会反应在餐厅的网络上，而这种评论对顾客是否愿意来餐厅就餐有着很强的影响。对餐厅评论的收集和情感极性的判断用逐个审查的方法是一项既繁琐又费时的任务，完全浏览一遍评论内容成本很高，用来管理这类调查所需的人力物力需要大量投资。此外，把握餐厅网络评论的情感极性对经营者进一步增大餐厅效益有很大的作用，但是传统方法耗时耗力且效率低下。

发明内容

针对上述的技术问题，本发明提供了一种智慧化、自动化、准确率高、效率高的基于Bi-LSTM深度学习的餐厅评论情感分析系统。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于Bi-LSTM深度学习的餐厅评论情感分析系统，包括文本到向量模块、模型体系结构模块、情感预测模块，所述文本到向量模块连接有模型体系结构模块，所述模型体系结构模块连接有情感预测模块；

所述文本到向量模块，用于对网络上的原始评论进行数值映射，得到映射评论；

所述模型体系结构模块，包括嵌入层、Bi-LSTM层和分类层，所述嵌入层用于提取映射评论的特征向量，Bi-LSTM层用于对映射评论进行情感分析和优化，分类层用于对映射评论进行分类并输出；

所述情感预测模块，用于识别从未出现过的评论情绪，并对该评论情绪进行情感预测。

所述映射评论的数值映射为R[]＝{r1，R2，…，rm}，映射过程为：

创建一个k唯一单词的词汇表V＝{U1，U2，…，UK}，在评论RJ＝[W1，w2，.，w0]中，单词(Wi)替换为V中单词的指标值(I)，从一个回顾(RJ)，s0＝[i1，i2，.，il0]中得到了转换的向量序列(S0)，通过分析评论的长度分布来选择最优的序列长度L，从长评论中去掉多余的单词，并用短评论填充零向量以保持L的长度。

所述嵌入层采用了Word2vec[15]嵌入技术，将文本数据的整数索引映射到密集向量。

所述Bi-LSTM层采用双向Bi-LSTM，保持上下文信息在前一个和下一个单词中对应；所述嵌入层的字嵌入值传递给每个Bi-LSTM层，每个Bi-LSTM层包含大小为h的隐藏单元，在每个LSTM输出级联后得到长度为2h的向量表示。

所述分类层包括依次连接的两个厚度层dense和一个sigmoid函数层，对于R输入序列，Bi-LSTM层接受大小为1×d的输入，并转化为大小1×2h的输出矢量；该矢量通过第一稠密层传播，利用校正线性单元Relu激活函数sigmoid生成新的形状矢量1×DL1。

所述分类层还包括丢弃层dropout，所述丢弃层dropout位于两个厚度层dense之间。

所述丢弃层dropout的丢弃率为20％～30％。

本发明与现有技术相比，具有的有益效果是：