一种基于联合深度学模型的文本情感分类方法

摘要

一种基于联合深度学模型的文本情感分类方法，本发明涉及文本情感分类方法。本发明为了解决现有SVM等浅层分类方法，会带来维数灾难和数据稀疏等问题。步骤为：一：对文本数据中每一个词进行处理，采用word2vec工具对处理后的文本数据中每一个词进行训练，得到词向量字典；二：得到每个句子的矩阵M，LSTM层将矩阵M进行训练转化为固定维度的向量对输入层进行改进，生成d维h个具有上下文语义关系的词向量；三、采用CNN作为一个可训练的特征检测器从d维h个具有上下文语义关系的词向量中抽取特征；四：将抽取的特征依次连接，输出得到每个类别的概率，概率值最大的类别为所预测的类别。本发明用于自然语言处理领域。

主权项

一种基于联合深度学习模型的文本情感分类方法，其特征在于：所述基于联合深度学习模型的文本情感分类方法包括以下步骤：步骤一：对文本数据中每一个词进行处理，采用word2vec工具对处理后的文本数据中每一个词进行训练，得到词向量字典，其中每一个词都对应着一个词向量；所述word2vec工具为谷歌词向量工具；步骤二：原始输入为词序列(w₁,....,w_s‑1,w_s,…,w_max)，得到每个句子的矩阵M，M＝(x₁,…,x_s‑1,x_s,…,x_max)∈R^d×max；LSTM层将矩阵M进行训练转化为固定维度的向量对输入层进行改进，生成d维h个具有上下文语义关系的词向量；其中所述w₁,....,w_s‑1,w_s,…,w_max为每个句子中每个词所对应的词标号，x₁,…,x_s‑1,x_s,…,x_max为与w₁,....,w_s‑1,w_s,…,w_max一一对应的词向量，LSTM为长短期记忆模型；步骤三：将步骤二中生成的d维h个具有上下文语义关系的词向量作为CNN的输入，采用CNN作为一个可训练的特征检测器从d维h个具有上下文语义关系的词向量中抽取特征，所述CNN为卷积神经网络；步骤四：将步骤三中抽取的特征依次连接，通过稀疏性激活函数后作为softmax的输入，输出得到每个类别的概率，所有类别的概率的和为1，概率值最大的类别为所预测的类别，这个类别作为联合深度学习模型的结果。