本發(fā)明屬于自然語言處理領(lǐng)域，具體的說是一種面向在線社區(qū)評論文本情感分析方法。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)和社交媒體的快速發(fā)展，用戶在各種在線社區(qū)中發(fā)布了大量評論。這些評論蘊含了對產(chǎn)品、服務(wù)、事件等的情感信息，分析這些情感信息在市場調(diào)研、品牌管理和輿情監(jiān)控等方面具有重要的應(yīng)用價值。然而，現(xiàn)有的情感分析技術(shù)仍存在一些不足。盡管深度學習模型在情感分析中表現(xiàn)較好，但仍面臨特征提取不足和復(fù)雜情感信息捕捉困難等問題。這些問題導(dǎo)致現(xiàn)有的情感分析方法在處理在線社區(qū)評論文本時效率低下，難以準確捕捉復(fù)雜情感信息。

技術(shù)實現(xiàn)思路

1、本發(fā)明是為了解決上述現(xiàn)有技術(shù)存在的不足之處，提出一種面向在線社區(qū)評論文本的情感分析方法，以期望能夠更準確和高效地分析評論文本中的情感信息，從而提升情感分析的效果和可靠性。

2、本發(fā)明為達到上述發(fā)明目的，采用如下技術(shù)方案：

3、本發(fā)明一種面向在線社區(qū)評論文本的情感分析方法的特點在于，是按如下步驟進行：

4、步驟1、獲取在線社區(qū)文本情感的數(shù)據(jù)集，并對數(shù)據(jù)集進行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)集d＝{(x1,y1),(x2,y2),...,(xk,yk),...,(xm,ym)}，其中，xk表示預(yù)處理后的第k個文本樣本；yk表示xk對應(yīng)的情感標簽，m表示數(shù)據(jù)集d中文本樣本的總數(shù)，共有r個情感分類；

5、步驟2、構(gòu)建情感分類模型，并對xk進行處理，得到第k個文本樣本xk的概率分數(shù)pk；

6、步驟3、情感分類模型的訓練：

7、步驟3.1、利用式(4)構(gòu)造損失函數(shù)l：

8、

9、式(4)中，r是情感標簽的類別數(shù)，yk,r是yk為第r個類別的概率；

10、步驟3.2、利用梯度下降法對情感分類模型進行訓練，并計算所述損失函數(shù)l，直到所述損失函數(shù)l收斂或者訓練達到最大迭代次數(shù)為止，從而獲得最優(yōu)情感分類模型，用于對輸入的在線社區(qū)評論文本輸出其對應(yīng)的情感類型。

11、本發(fā)明所述的一種面向在線社區(qū)評論文本的情感分析方法的特點也在于，所述步驟2中的情感分類模型包括：預(yù)訓練層、局部特征提取層、最大池化層、全局特征提取層、自注意力層、特征融合層、全連接和分類層；

12、步驟2.1、所述預(yù)訓練層采用預(yù)訓練后的語言模型ernie對xk進行向量化，得到第k個文本樣本xk的上下文語義向量序列sk＝{s1,k,s2,k...,si,k,…,sn,k}，其中，si,k表示第k個文本樣本xk的第i個詞的上下語義向量；n表示第k個文本樣本xk的上下語義向量總數(shù)；

13、步驟2.2、所述局部特征提取層使用cnn模型對sk進行處理，得到第k個文本樣本xk的局部特征向量fk＝{f1,k,f2,k,...,fi,k,…,fn,k}，其中，fi,k表示si,k的局部特征；

14、步驟2.3、所述最大池化層使用最大池化操作對fk進行處理，得到第k個池化特征向量其中，表示fi,k的池化特征；

15、步驟2.4、所述全局特征提取層使用bilstm模型對sk進行處理，得到第k個文本樣本xk的全局特征向量hk＝{h1,k,h2,k,...,hi,k,…,hn,k}，其中，hi,k表示fi,k的全局特征；

16、步驟2.5、所述自注意力層使用多頭自注意力機制對hk進行處理，得到第k個多頭注意力特征向量zk＝{z1,k,z2,k,...,zi,k,…,zn,k}，其中，zi,k表示fi,k的多頭注意力特征；

17、步驟2.6、所述特征融合層對zk和進行連接，得到第k個拼接特征向量ck＝{c1,k,c2,k,...,ci,k,…,cn,k}，其中，ci,k表示fi,k的拼接特征；

18、步驟2.7、所述全連接層利用式(1)對ck進行線性變換，得到第k個線性特征向量其中，表示ci,j的線性特征；

19、

20、式(6)中，wc表示所述全連接層的權(quán)重，bc表示所述全連接層的偏置；

21、所述全連接層利用式(2)對向量進行非線性激活，得到第k個非線性激活后的特征向量uk＝{u1,k,u2,k,...,ui,k,…,un,k}，其中，ui,k表示第i個非線性激活后的特征；

22、

23、式(7)中，relu表示非線性激活函數(shù)；

24、步驟2.8、所述分類層利用式(3)對uk進行分類，得到第k個文本樣本xk的類別分數(shù)ek＝{e1,k,e2,k,...,ei,k,…,en,k}，其中，ei,k表示第k個文本樣本xk的第i個特征向量對應(yīng)的類別概率分數(shù)；

25、ek＝we·uk+be??(3)

26、式(8)中，we表示所述分類層的權(quán)重，be表示所述分類層的偏置；

27、所述分類層使用softmax函數(shù)對ek進行轉(zhuǎn)換，得到第k個文本樣本xk的概率分數(shù)pk＝[pk,1,pk,2,...,pk,r,…,pk,r]，其中，pk,r表示xk屬于第r個類別的概率。

28、本發(fā)明一種電子設(shè)備，包括存儲器以及處理器的特點在于，所述存儲器用于存儲支持處理器執(zhí)行所述情感分析方法的程序，所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序。

29、本發(fā)明一種計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)上存儲有計算機程序的特點在于，所述計算機程序被處理器運行時執(zhí)行所述情感分析方法的步驟。

30、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

31、1、本發(fā)明采用了將ernie模型和cnn和bilstm模型結(jié)合的創(chuàng)新方法，以提高在線社區(qū)評論文本情感分析的效果，ernie模型能夠更準確地捕捉文本中的語義關(guān)系，特別是對多義詞和語境相關(guān)的詞匯有更好的處理能力，而引入的cnn模型能夠有效地提取局部特征，bilstm模型則能夠記憶和處理長距離依賴關(guān)系，兩者結(jié)合能夠提供更全面的特征表示。本發(fā)明通過結(jié)合這三種模型，不僅提高了情感分類的準確性，而且增強了模型的特征表達能力，從而實現(xiàn)了更高效和更精準的情感分析。

32、2、本發(fā)明增強了特征表達能力以實現(xiàn)高效情感分類，在自注意力層中引入多頭注意力機制，并將融合后的特征輸入全連接層進行線性變換和非線性激活，最終通過分類層進行情感分類通過這種綜合處理方法，增強了模型對文本情感的識別能力，提高了情感分類的準確性和精度，并提升了情感分類的效率，能夠處理復(fù)雜的情感分類任務(wù)。

技術(shù)特征：

1.一種面向在線社區(qū)評論文本的情感分析方法，其特征在于，是按如下步驟進行：

2.根據(jù)權(quán)利要求1所述的一種面向在線社區(qū)評論文本的情感分析方法，其特征在于，所述步驟2中的情感分類模型包括：預(yù)訓練層、局部特征提取層、最大池化層、全局特征提取層、自注意力層、特征融合層、全連接和分類層；

3.一種電子設(shè)備，包括存儲器以及處理器，其特征在于，所述存儲器用于存儲支持處理器執(zhí)行權(quán)利要求1或2所述情感分析方法的程序，所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序。

4.一種計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)上存儲有計算機程序，其特征在于，所述計算機程序被處理器運行時執(zhí)行權(quán)利要求1或2所述情感分析方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種面向在線社區(qū)評論文本的情感分析方法，包括：1數(shù)據(jù)的收集與預(yù)處理，2構(gòu)建情感分類模型，包括：預(yù)訓練層、全局特征提取層、自注意力層、局部特征提取層、最大池化層、特征融合層、全連接和分類層組成，3基于預(yù)處理后的數(shù)據(jù)集訓練情感分類模型，并將待分類數(shù)據(jù)輸入模型得到情感分類結(jié)果。本發(fā)明能解決現(xiàn)有方法中面臨特征提取不足和復(fù)雜情感信息捕捉困難等問題。

技術(shù)研發(fā)人員：魏少波,吳雨澄
受保護的技術(shù)使用者：合肥工業(yè)大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9