[发明专利]基于双通道卷积记忆神经网络的文本情感分析方法

摘要

根据本发明所涉及的基于双通道卷积记忆神经网络的文本情感分析方法，因为将测试集中的文本同时进行词义训练与情感训练分别得到词向量矩阵与扩展特征向量矩阵，再将词向量矩阵与扩展特征向量矩阵进行计算得到训练文本向量矩阵，再将训练文本向量矩阵通过LSTM训练得到具有上下文关系的训练文本感情向量矩阵，将训练文本感情矩阵通过CNN处理得到训练文本情感分类，再将训练文本情感分类通过与对应文本的人为感情评价进行自调整。

主权项

1.一种基于双通道卷积记忆神经网络的文本情感分析方法，其特征在于，包括以下步骤：步骤S1:将原始商品评论文本进行预处理得到训练集与测试集，所述文本包含多个单词；步骤S2:将所述训练集中预处理好的一句所述文本进行训练，得到训练文本向量矩阵，作为神经网络双通道输入的一个通道；同时创建并通过五种词语特征词典对所述训练文本的单词进行匹配并设置情感权重值，得到所述训练文本的扩展特征向量矩阵，作为所述神经网络双通道输入的另一个通道；再将所述训练文本向量矩阵与所述扩展特征向量矩阵进行拼接，组成一个第一向量矩阵作为LSTM神经网络的输入；步骤S3:利用LSTM神经网络得到所述第一向量矩阵中每一个单词向量的上下文情感特征关系，基于该情感特征关系调整所述单词向量的情感权重值，得到矫正情感权重值，生成具有上下文情感特征关系的感情向量矩阵。步骤S4:利用卷积神经网络CNN的3种尺寸的卷积核将所述感情向量矩阵对应的所述单词向量按不同单词数量组合方式得到多个词组序列，并筛选其中所述矫正情感权重值最高的词组序列；步骤S5:分别对所述词组序列中每个所述感情特征的所述矫正情感权重值进行计算情感类别的概率，根据所得概率赋予对应的所述文本的文本情感标签；步骤S6:将计算所得的文本情感标签与该文本的人工情感标记进行对比，根据对比结果通过Adam算法最小化交叉熵损失函数，调整LSTM和CNN神经网络的权重矩阵参数，使得所述文本情感标签与所述人为感情评价一致；步骤S7:重复步骤S2‑步骤S6直至所述训练集中的全部所述文本进行训练，将对应的所述扩展特征向量矩阵作为最终特征向量矩阵，将对应的所述训练文本感情向量矩阵作为最终感情向量矩阵，至此，本发明的文本情感分类模型训练完成；步骤S8:运用训练好的文本情感分类模型对测试集文本进行情感分析，得到的文本情感分类与所述文本的人为评价进行对比验证，验证情感分析的准确性。