[发明专利]基于双向协同网络的社交媒体文本细粒度情感分析方法

权利要求书

1.一种基于双向协同网络的社交媒体文本细粒度情感分析方法，其特征在于，所述分析方法包括以下步骤：

S1、将用户话语文本数据中的每个句子切分为词w＝(w₁,w₂,…,w_i,…,w_N)，将词用词向量表示，其中w是词序列，E_w是词向量序列，w_i是第i个词，是第i个词的词向量，1≤i≤N，N为词的个数，emb为词向量维度大小,为维度为emb的实数向量空间；

S2、将词向量分别输入前向协同网络和后向协同网络中得到前向和后向的分析对象编码表示和前向和后向的观点编码表示和前向和后向的情感编码表示和其中是第i个词的前向分析对象编码表示，是第i个词的后向分析对象编码表示，是第i个词的前向观点编码表示，是第i个词的后向观点编码表示，是第i个词的前向情感编码表示，是第i个词的后向情感编码表示，1≤i≤N，d为前向和后向分析对象、观点和情感编码表示的维度大小,为维度为d的实数向量空间；

S3、分别将前向和后向的分析对象编码表示和观点编码表示和情感编码表示和进行融合运算，输入到分析对象分类网络、观点分类网络、情感分类网络中，分别输出分析对象、观点、情感的标注结果P^a、P^o、P^s，其中c_a、c_o和c_s分别是分析对象标签个数、观点标签个数和情感标签个数，和分别为维度为N×c_a、N×c_o和N×c_s的实数向量空间；

S4、根据标注结果和真实结果，以最小化交叉熵损失函数为目标对前向协同网络、后向协同网络、分析对象分类网络、观点分类网络、情感分类网络迭代训练；

S5、将待分类的社交媒体文本输入前向协同网络、后向协同网络、分析对象分类网络、观点分类网络、情感分类网络中得到细粒度情感分析结果；

其中，所述步骤S2中将词向量分别输入前向和后向协同网络中得到前向和后向的分析对象编码表示和前向和后向的观点编码表示和前向和后向的情感编码表示和具体实施过程如下：

S21、将词向量输入前向协同网络得到前向的分析对象编码表示前向的观点编码表示和前向的情感编码表示

S22、将词向量输入后向协同网络得到后向的分析对象编码表示后向的观点编码表示和后向的情感编码表示

其中，所述步骤S21中将词向量输入前向协同网络得到前向的分析对象编码表示前向的观点编码表示和前向的情感编码表示具体实施过程如下：

S211、将词向量输入前向协同网络的第一卷积神经网络得到前向分析对象隐层单元

其中，是前向协同网络的第一卷积神经网络进行卷积运算后第i个词对应的前向分析对象隐层单元，再将前向分析对象隐层单元输入前向协同网络的第一全连接网络得到前向的分析对象编码表示

其中，是权重为w_ca的前向协同网络的第一卷积神经网络，是权重为w_a的前向协同网络的第一全连接网络。

S212、将词向量输入前向协同网络的第二卷积神经网络得到前向观点隐层单元

其中，是前向协同网络的第二卷积神经网络进行卷积运算后第i个词对应的前向观点隐层单元，是权重为w_co的前向协同网络的第二卷积神经网络，将前向观点隐层单元和前向分析对象隐层单元进行关系计算得到观点对分析对象的关系隐层单元H_O2A：

其中，softmax(·)是归一化指数函数，×代表矩阵乘法操作，是的转置，将观点对分析对象的关系隐层单元H_O2A和前向观点隐层单元输入前向协同网络的第二全连接网络得到前向的观点编码表示

其中，是权重为w_o的前向协同网络的第二全连接网络；

S213、将词向量输入前向协同网络的第三卷积神经网络得到前向情感隐层单元

其中，是前向协同网络的第三卷积神经网络进行卷积运算后第i个词对应的前向情感隐层单元，是权重为w_cs的卷积神经网络，将前向情感隐层单元和前向分析对象隐层单元进行关系计算得到情感对分析对象的关系隐层单元H_S2A：

将前向情感隐层单元和前向观点隐层单元进行关系计算得到情感对观点的关系隐层单元H_S2O：

其中，是的转置，将情感对分析对象的关系隐层单元H_S2A，情感对观点的关系隐层单元H_S2O和前向情感隐层单元输入前向协同网络的第三全连接网络得到前向的情感编码表示

其中，是权重为w_s的前向协同网络的第三全连接网络；

其中，所述步骤S22中将词向量输入后向协同网络得到后向的分析对象编码表示后向的观点编码表示和后向的情感编码表示具体实施过程如下：

S221、将词向量输入后向协同网络的第一卷积神经网络得到后向情感隐层单元

其中，是后向协同网络的第一卷积神经网络进行卷积运算后第i个词对应的后向情感隐层单元，再将后向情感隐层单元输入后向协同网络的第一全连接网络得到后向的情感编码表示

其中，是权重为w_{cs_}的后向协同网络的第一卷积神经网络，是权重为w_{s_}的后向协同网络的第一全连接网络；

S222、将词向量输入后向协同网络的第二卷积神经网络得到后向观点隐层单元

其中，是后向协同网络的第二卷积神经网络进行卷积运算后第i个词对应的后向观点隐层单元，是权重为w_{co_}的卷积神经网络，将后向观点隐层单元和后向情感隐层单元进行关系计算得到观点对情感的关系隐层单元H_O2S：

其中，softmax(·)是归一化指数函数，×代表矩阵乘法操作，是的转置，将观点对情感的关系隐层单元H_O2S和后向观点隐层单元输入后向协同网络的第二全连接网络得到后向的分析对象编码表示

其中，是权重为w_{o_}的后向协同网络的第二全连接网络；

S223、将词向量输入后向协同网络的第三卷积神经网络得到后向分析对象隐层单元

其中，是后向协同网络的第三卷积神经网络进行卷积运算后第i个词对应的后向分析对象隐层单元，是权重为w_{ca_}的后向协同网络的第三卷积神经网络，将后向分析对象隐层单元和后向情感隐层单元进行关系计算得到分析对象对情感的关系隐层单元H_A2S：

将后向分析对象隐层单元和后向观点隐层单元进行关系计算得到分析对象对观点的关系隐层单元H_A2O：

其中，是的转置，将分析对象对情感的关系隐层单元H_A2S、分析对象对观点的关系隐层单元H_A2O和后向分析对象隐层单元输入后向协同网络的第三全连接网络得到后向的分析对象表示

其中，是权重为w_{a_}的后向协同网络的第三全连接网络。