[发明专利]一种基于深度学习的用户情感分析方法

摘要

本发明公开了一种基于深度学习的用户情感分析方法，包括以下步骤；构建词汇表；使用分类器进行分类选中一部分作为种子词典，并且给出这些种子语料的情感极性得分词典，改进相应的TF‑IDF特征选择过程；分别将新改进得到的TF‑IDF特征词向量与Word2vec特征词向量的结果保存起来；对于每种情感分类的情感种子词语进行加和求平均得到每种情感的中心词向量的极性的概率。本发明提供了一种基于深度学习的用户情感分析方法，结合基本的词频特征选择算法，Word2vec算法将文本的词频信息，情感信息，语义信息有效的结合起来并且将新构建的情感语义词向量与原来的词向量进行了对比试验，有效的证明了情感语义词向量的有效性。

主权项

1.一种基于深度学习的用户情感分析方法，其特征在于，包括以下步骤；步骤一、构建词汇表，将语料库的文本词语进行预训练，根据分析对象的性质构造特征向量获取模型，并且分别得到对应的TF‑IDF和Word2vec特征词向量；步骤二、使用分类器进行分类选中一部分作为种子词典，并且给出这些种子语料的情感极性得分词典，改进相应的TF‑IDF特征选择过程，得到新的改进的TF‑IDF特征选择词向量；步骤三、分别将新改进得到的TF‑IDF特征词向量与Word2vec特征词向量的结果保存起来；步骤四、对于每种情感分类的情感种子词语进行加和求平均得到每种情感的中心词向量的极性的概率；S1、对相邻的每3‑5个词汇的向量相加，取平均值，放入输入层；S2、通过使用计算方法产生输出，采用输出的最好一个向量作为分类的依据；S3、通过将softmax层与RNN的输出进行全连接，获得情感极性的概率；步骤五、将得到的概率值与真实值进行比较后，使用交叉熵函数作为损失函数，并且计算损值的大小，然后通过adam算法计算梯度，并用对模型进行参数调整；步骤六、带模型进行收敛并导出模型，用于测试集的情感分类；步骤七、找到每个词汇对应的词向量，放入输入层产生输出得到各个类别对应的概率值，并使用贪婪算法确定词汇的类别。