[发明专利]基于特征融合与注意力机制的医疗问答文本情感分析方法

说明书

本发明公开了基于特征融合与注意力机制的医疗问答文本情感分析方法，包括：将医疗问答文本通过数据分割划分为患者问题文本和医生答案文本，进行预处理并分别经过ALBERT预训练模型得到各自对应的文本表示向量，分别输入到TextCNN和BiGRU中得到各自文本的局部特征向量和全局特征向量，拼接两者得到各自的综合语义表示向量并构建匹配矩阵并结合双向注意力机制将各自的情感表示向量拼接得到最终医疗问答文本的情感表示向量，输入到softmax分类器中进行情感分类。本发明很好的捕抓医疗问答文本的全局特征和局部特征，极大的丰富了医疗问答文本的语义表示完整性，提高了医疗问答文本情感分类准确率。

技术领域

本发明涉及医疗文本情感分析的技术领域，尤其涉及基于特征融合与注意力机制的医疗问答文本情感分析方法。

背景技术

医疗是人类生存的重要保障之一，而随着互联网和移动互联网的普及，越来越多的人选择通过网络咨询医生和搜索医疗信息来获取帮助和解决问题。医疗问答平台和应用已经成为了人们获取医疗知识和服务的主要渠道之一。但是，对于这些医疗问答数据，如何准确地对其情感进行分析，可以更好地理解患者的需求和情感倾向，有助于医生更好地回答问题、提供更好的服务，同时也可以帮助患者更好地了解和管理自己的健康状况。

情感分析是自然语言处理的一个重要应用领域，旨在对文本中所表达的情感进行分析和判断。在医疗问答领域中，情感分析可以帮助医生更好地了解患者的需求和情感状态，更好地进行诊断和治疗。同时，情感分析还可以帮助医疗平台和应用提供更好的推荐服务和个性化建议，从而提高患者的满意度和体验。因此，医疗问答文本情感分析的研究具有重要的意义和应用前景。

发明内容

鉴于上述现有存在的问题，提出了本发明。

因此，本发明目的是提供基于特征融合与双向注意力机制的医疗问答文本情感分析方法，解决现阶段对医疗问答文本语义完整复杂性缺乏研究以及对于医疗问答文本患者问题文本和医生答案文本之间存在情感交互信息缺乏考虑的问题。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明实施例提供了基于特征融合与双向注意力机制的问答文本情感分析，包括：

将医疗问答文本通过数据分割划分为患者问题文本和医生答案文本，并进行预处理；

将预处理后的患者问题文本和医生答案文本分别经过ALBERT预训练模型得到各自对应的文本表示向量；

将患者问题文本以及医生答案文本的文本表示向量分别输入到TextCNN和BiGRU中得到各自文本的局部特征向量和全局特征向量；

将局部特征向量和全局特征向量拼接得到患者问题文本和医生答案文本的综合语义表示向量并构建问答文本语义交互信息的匹配矩阵；

通过双向注意力机制结合所述匹配矩阵得到问题文本和答案文本的情感表示向量，将问题文本和答案文本的情感表示向量拼接得到最终医疗问答文本的情感表示向量；

将最终医疗问答文本情感表示向量输入到softmax分类器中进行情感分类，得到医疗问答文本的情感分类的概率。

作为本发明所述的基于特征融合与注意力机制的医疗问答文本情感分析方法，其中：将患者问题文本以及医生答案文本的文本表示向量输入到TextCNN中得到各自文本的局部特征向量包括，

嵌入层EmbeddingLayer：将输入的单词序列转换为单词向量表示；

卷积层ConvolutionLayer：使用多个不同大小的卷积核对单词向量序列进行卷积操作，提取局部的特征，对于每个卷积核，会生成一组卷积特征图，表示不同的局部特征，具体公式如下：

；