资讯正负面情感分析方法与装置和计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种资讯正负面情感分析方法与装置和计算机设备及存储介质，方法包括：获取大规模语料训练而成的词向量矩阵并生成词索引，通过嵌入层将词索引输出作为CNN‑BiLSTM网络的输入；引入注意力模型至CNN‑BiLSTM网络；利用全连接层进行特征分类得到目标句子的目标向量；利用softmax分类器对全连接层进行特征分类的结果进行情感分析得到情感分析结果。本方案可以批量且准确的识别资讯信息中正负面情感，实现舆论分析，方便知晓舆论态势，能够有效的帮助使用者对资讯信息的多维度分类，解决了针对长文本的资讯类信息不依靠大量人工参与并且可以精准捕捉资讯的主体信息和局部信息的同时判断该资讯的情感走向的问题。

【技术实现步骤摘要】
资讯正负面情感分析方法与装置和计算机设备及存储介质
本专利技术涉及自然语言处理
，尤其涉及一种资讯正负面情感分析方法与装置和计算机设备及存储介质。
技术介绍
情感分析技术目前被广泛地用于在线翻译，用户评价分析和观点挖掘等互联网应用中。尤其是对于目前新兴的各种网络社交平台和购物网站来说，快速的获取用户评论的情感倾向可以为商家在为广告投放和热点话题推送等方面提供很大的便利。从目前的市场需求和技术的发展水平来看，对情感分析技术进行研究和革新具有很大的价值和提升空间。在当前技术中，解决资讯类文本情感分析已有的技术方案有，基于字典的情感分析技术，以及基于长短期记忆网络的情感分析技术；但是现有技术也存在或多或少的问题，例如：基于字典的情感分析技术的词典方案的规则设计需要大量的人工参与，而基于长短期记忆网络的情感分析技术无法精准获取该资讯的主体信息与局部信息。显而易见，通过人工的方法来标定情感值需要大量的人力物力和时间。因此，通过机器学习的方法来自动地分析情感值便具有十分重要的意义及研究价值。公开于该
技术介绍
部分的信息仅仅旨在加本文档来自技高网...

【技术保护点】
1.一种资讯正负面情感分析方法，其特征在于，包括以下步骤：/n获取大规模语料训练而成的词向量矩阵并生成词索引，通过嵌入层将词索引输出作为CNN-BiLSTM网络的输入；/n引入注意力模型至CNN-BiLSTM网络；/n利用全连接层进行特征分类得到目标句子的目标向量；/n利用softmax分类器对全连接层进行特征分类的结果进行情感分析得到情感分析结果。/n

【技术特征摘要】
1.一种资讯正负面情感分析方法，其特征在于，包括以下步骤：
获取大规模语料训练而成的词向量矩阵并生成词索引，通过嵌入层将词索引输出作为CNN-BiLSTM网络的输入；
引入注意力模型至CNN-BiLSTM网络；
利用全连接层进行特征分类得到目标句子的目标向量；
利用softmax分类器对全连接层进行特征分类的结果进行情感分析得到情感分析结果。


2.根据权利要求1所述的资讯正负面情感分析方法，其特征在于，所述方法还包括，采用dropout技术防止过拟合与CNN-BiLSTM网络中BiLSTM模型的目标向量结合。


3.根据权利要求1所述的资讯正负面情感分析方法，其特征在于，所述通过嵌入层将词索引输出作为CNN-BiLSTM网络的输入的步骤之后还包括，利用卷积操作完成特征提取。


4.根据权利要求3所述的资讯正负面情感分析方法，其特征在于，所述利用卷积操作完成特征提取的步骤之后还包括，通过设置好的滤波器来完成对输入文本句子特征的提取，通过卷积层得到特征矩阵。


5.根据权利要求4所述的资讯正负面情感分析方法，其特征在于，所述通过卷积层得到特征矩阵的步骤之后还包括，利用池化层对卷积层之后得到的句子局部特征矩阵进行下采样，求得局部值的最优解。


6.根据权利要求5所述的资讯正...

【专利技术属性】
技术研发人员：李伟军，郑海涛，朱绪斌，赵从志，卢炳干，
申请(专利权)人：深圳市智搜信息技术有限公司，
类型：发明
国别省市：广东;44