对情感分类器进行调优的方法、装置及终端制造方法及图纸

本发明专利技术适用于计算机技术领域，提供了一种对情感分类器进行调优的方法、装置及终端，所述方法包括：获取情感分类器的初始网络参数；在对所述情感分类器进行训练的过程中，对所述初始网络参数中的每个参数单元进行适应度评价，并计算所有参数单元的整体适应度评价结果；若所述整体适应度评价结果大于预设的适应阈值，则基于每个参数单元的适应度评价结果对当前的网络参数进行更新，并基于更新后的网络参数继续进行训练；若所述整体适应度评价结果不大于所述适应阈值，则停止训练过程，并以当前的网络参数作为所述情感分类器的优化网络参数。本发明专利技术通过对情感分类器的网络参数进行调整优化，有利于提高确定情感分类器的网络参数的便捷性和准确性。

Method, device and terminal for optimizing emotional classifier

【技术实现步骤摘要】
对情感分类器进行调优的方法、装置及终端
本专利技术属于计算机
，尤其涉及一种对情感分类器进行调优的方法、装置、终端及计算机可读存储介质。
技术介绍
自然语言处理(NaturalLanguageProcessing，NLP)是计算机与人工智能领域中的一个重要的研究方向。目前，可以利用神经网络来搭建情感分类器，用于对文本进行情感分类。在应用情感分类器进行文本的情感分类之前，需要首先确定情感分类器的网络参数，网络参数的选取直接影响到情感分类结果的准确度。目前通常采用对情感分类器进行训练，利用BP算法来确定网络参数。然而，BP算法学习效率低、收敛速度慢，并且容易陷入局部最优。故其确定的情感分类器的网络参数准确性和便捷性不够高。
技术实现思路
有鉴于此，本专利技术提供了一种对情感分类器进行调优的方法、装置、终端及计算机可读存储介质，以解决现有技术中确定的情感分类器的网络参数准确性和便捷性不够高的问题。本专利技术实施例的第一方面提供了一种对情感分类器进行调优的方法，所述方法包括：获取情感分类器的初始网络参数，其中，所述初始网络参数的参数单元包括所述情感分类器的各输入维度的权重参数单元，以及所述情感分类器的各情感分类单元的偏置参数单元；在对所述情感分类器进行训练的过程中，对所述初始网络参数中的每个参数单元进行适应度评价，并计算所有参数单元的整体适应度评价结果；若所述整体适应度评价结果大于预设的适应阈值，则基于每个参数单元的适应度评价结果对当前的网络参数进行更新，并基于更新后的网络参数继续进行训练；若所述整体适应度评价结果不大于所述适应阈值，则停止训练过程，并以当前的网络参数作为所述情感分类器的优化网络参数。本专利技术实施例的第二方面提供了一种对情感分类器进行调优的装置，所述装置包括：获取单元，用于获取情感分类器的初始网络参数，其中，所述初始网络参数的参数单元包括所述情感分类器的各输入维度的权重参数单元，以及所述情感分类器的各情感分类单元的偏置参数单元；计算单元，用于在对所述情感分类器进行训练的过程中，对所述初始网络参数中的每个参数单元进行适应度评价，并计算所有参数单元的整体适应度评价结果；训练单元，用于若所述整体适应度评价结果大于预设的适应阈值，则基于每个参数单元的适应度评价结果对当前的网络参数进行更新，并基于更新后的网络参数继续进行训练；参数确定单元，用于若所述整体适应度评价结果不大于所述适应阈值，则停止训练过程，并以当前的网络参数作为所述情感分类器的优化网络参数。本专利技术实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一项所述对情感分类器进行调优的方法的步骤。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述对情感分类器进行调优的方法的步骤。本专利技术与现有技术相比存在的有益效果是：本专利技术通过获取情感分类器的初始网络参数；在对所述情感分类器进行训练的过程中，对所述初始网络参数中的每个参数单元进行适应度评价，并计算所有参数单元的整体适应度评价结果；若所述整体适应度评价结果大于预设的适应阈值，则基于每个参数单元的适应度评价结果对当前的网络参数进行更新，并基于更新后的网络参数继续进行训练；若所述整体适应度评价结果不大于所述适应阈值，则停止训练过程，并以当前的网络参数作为所述情感分类器的优化网络参数。本专利技术通过在训练过程中对情感分类器的网络参数进行适应度评价，并根据整体适应度评价结果来确定最终的网络参数，能够避免采用BP算法容易陷入的局部最优问题，有利于提高确定情感分类器的网络参数的便捷性和准确性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的对情感分类器进行调优的方法的实现流程图；图2是本专利技术实施例提供的对情感分类器进行调优的装置的结构示意图；图3是本专利技术实施例提供的终端的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。参见图1，其示出了本专利技术实施例提供的对情感分类器进行调优的方法的实现流程图，详述如下：在步骤101中、获取情感分类器的初始网络参数。在本专利技术实施例中，情感分类器可以为预先建立的一个神经网络，该神经网络的初始网络参数可以包括多个参数单元，各参数单元可以包括该神经网络的各维度的权重参数，也即两个连接层之间的各维度的连接权重；还可以包括该神经网络的各情感分类单元(神经元)的偏置参数。在本专利技术实施例中，情感分类器在训练之前，需要进行网络参数的初始化，得到一个初始网络参数，进而基于该初始网络参数进行训练和参数的更新。可选的，上述步骤101具体可以包括：对所述权重参数单元和所述偏置参数单元进行随机初始化，得到所述初始网络参数。在本专利技术实施例中，通过对情感分类器的各参数单元(权重参数单元和偏置参数单元)进行随机初始化，可以得到情感分类器的初始网络参数。通常的如果一个量是由许多微小的独立随机因素影响的结果，那么就可以认为这个量具有正态分布。因此，正态分布具有很多良好的性质，许多概率分布可以用它来近似，故在本专利技术实施例中，可以基于正态分布对各参数单元进行随机初始化。可选的，所述对所述权重参数单元和所述偏置参数单元进行随机初始化，得到所述初始网络参数包括：利用粒子群算法的随机性对所述权重参数单元和所述偏置参数单元进行随机初始化，得到多个候选网络参数；利用模糊c-均值聚类算法计算所述多个候选网络参数的聚类中心；将所述聚类中心作为所述情感分类器的初始网络参数。由于BP神经网络算法是根据均方误差的梯度方向修正权值和阈值等网络参数，这就意味着若初始网络参数选择不当，会使神经网络在学习训练过程中很容易陷入局部最优。在本专利技术实施例中，可以采用粒子群算法，以每个参数单元为一个粒子，利用粒子群算法的随机性对网络参数进行随机初始化，得到多个候选网络参数；并通过模糊c-均值聚类算法计算所述多个候选网络参数的聚类中心，将该聚类中心作为所述情感分类器的初始网络参数。从而避免初始网络参数的选择不当这一小概率事件的发生。在步骤102中、在对所述情感分类器进行训练的过程中，对所述初始网络参数中的每个参数单元进行适应度评价，并计算所有参数单元的整体适应度评价结果；在本专利技术实施例中，在对所述情感分类器进行训练的过程中，可以采用预设的适应度评价函数对初始网络参数中的每个参数单元进行适应度评价，适应度评价函数可以为情感分类器的性能函数。并计算所有参数单元的整体适应度评价结果，以便于基于整体适应度评价结果来判断当前的网络本文档来自技高网...

【技术保护点】
1.一种对情感分类器进行调优的方法，其特征在于，所述方法包括：获取情感分类器的初始网络参数，其中，所述初始网络参数的参数单元包括所述情感分类器的各输入维度的权重参数单元，以及所述情感分类器的各情感分类单元的偏置参数单元；在对所述情感分类器进行训练的过程中，对所述初始网络参数中的每个参数单元进行适应度评价，并计算所有参数单元的整体适应度评价结果；若所述整体适应度评价结果大于预设的适应阈值，则基于每个参数单元的适应度评价结果对当前的网络参数进行更新，并基于更新后的网络参数继续进行训练；若所述整体适应度评价结果不大于所述适应阈值，则停止训练过程，并以当前的网络参数作为所述情感分类器的优化网络参数。

【技术特征摘要】
1.一种对情感分类器进行调优的方法，其特征在于，所述方法包括：获取情感分类器的初始网络参数，其中，所述初始网络参数的参数单元包括所述情感分类器的各输入维度的权重参数单元，以及所述情感分类器的各情感分类单元的偏置参数单元；在对所述情感分类器进行训练的过程中，对所述初始网络参数中的每个参数单元进行适应度评价，并计算所有参数单元的整体适应度评价结果；若所述整体适应度评价结果大于预设的适应阈值，则基于每个参数单元的适应度评价结果对当前的网络参数进行更新，并基于更新后的网络参数继续进行训练；若所述整体适应度评价结果不大于所述适应阈值，则停止训练过程，并以当前的网络参数作为所述情感分类器的优化网络参数。2.根据权利要求1所述的对情感分类器进行调优的方法，其特征在于，所述计算所有参数单元的整体适应度评价结果包括：利用以下适应度评价函数计算所有参数单元的整体适应度评价结果，其中，所述适应度评价函数为：其中，S表示整体适应度评价结果，R表示本次训练的识别率，0≤R≤1，M表示参数单元的数量，n表示M和R的参数，0≤n≤1。3.根据权利要求2所述的对情感分类器进行调优的方法，其特征在于，所述基于每个参数单元的适应度评价结果对当前的网络参数进行更新包括：基于每个参数单元的适应度评价结果确定该参数单元的局部最优位置；基于所述局部最优位置以及所述整体适应度评价结果，确定该参数单元的全局最优位置；根据以下参数更新公式对当前的网络参数进行更新，其中，所述参数更新公式为：vij(t+1)＝vij(t)+c1×rand()×(pbest-xij(t))+c2×rand()×(gbest-xij(t))xij(t+1)＝xij(t)+vij(t+1)其中，pbest表示所述局部最优位置，gbest表示所述全局最优位置，vij(t)和xij(t)分别表示t时刻i粒子的第j维的速度和位置，c1和c2为学习因子，rand()为介于0和1之间的随机数。4.根据权利要求1所述的对情感分类器进行调优的方法，其特征在于，所述获取情感分类器的网络参数包括：对所述权重参数单元和所述偏置参数单元进行随机初始化，得到所述初始网络参数。5.根据权利要求1至4任一项所述的对情感分类器进行调优的方法，其特征在于，所述对所述权重参数单元和所述偏置参数单元进行随机初始化，得到所述初始网络参数包括：利用粒子群算法的随机性对所述权重参数单元和所述偏置参数单元进行随机初始化，得到多个候选网络参数；利用模糊c-均值聚类算法计算所述多个候选网络参...

【专利技术属性】
技术研发人员：任晓德，许国杰，吴又奎，
申请(专利权)人：中科恒运股份有限公司，
类型：发明
国别省市：河北,13