中文文本情感分析方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种中文文本情感分析方法、装置、计算机设备和存储介质。所述方法包括：获取中文文本，并对其进行预处理得到训练样本；构建中文文本情感分析网络，采用训练样本对该网络进行训练，得到训练好的中文文本情感分析模型；将待测样本输入到中文文本情感分析模型中，得到情感极性分类。本模型采用双向门控循环单元提取文本序列特征，然后采用自注意机制结合全局信息对特征进行初步筛选，通过不同大小的卷积核对局部特征多粒度的提取，充分挖掘文本内部结构关系，再用自注意力机制取代传统的池化方法，提高关键局部向量的提取保留能力，提高模型的判断准确性。本模型较目前主流方法，在情感极性预测的准确性上有一定提高。

Chinese text emotion analysis method, device, computer equipment and storage medium

【技术实现步骤摘要】
中文文本情感分析方法、装置、计算机设备和存储介质
本申请涉及自然语言处理
，特别是涉及一种中文文本情感分析方法、装置、计算机设备和存储介质。
技术介绍
互联网的高速发展和社交网络的无孔不入带来了文本信息爆炸式增长。其中线上评论文本如时事新闻评论、网上购物评论、书评影评等因其具有的针对性强、价值密度较高的特点受到学术界的普遍关注。中国互联网信息中心(CNNIC)2020年9月份的统计报告显示，我国网民规模已达9.4亿，占全球总数的1/5。中文语料环境下的情感分析能起到跟踪社情舆论、提高交易质量、反馈读者满意度等作用，具有较强的研究价值。情感极性分析是情感分类的一种方法，将文本的情感分为正极性和负极性，如满意、兴奋、认可等积极情感被归为正极性情感，而悲伤、失落、怨恨等归为负极性情感。现有的研究中大部分基于词向量的循环神经网络与卷积神经网络模型对于文本特征的提取和保留能力不足，导致与情感极性相关的特征被丢弃，影响分类的准确性。
技术实现思路
基于此，有必要针对上述技术问题，提供一种中文文本情感分析方法、装置、计算机设本文档来自技高网...

【技术保护点】
1.一种中文文本情感分析方法，其特征在于，所述方法包括：/n获取中文文本，并对所述中文文本进行预处理得到训练样本；/n构建中文文本情感分析网络；所述中文文本情感分析网络包括词嵌入层、特征提取网络及分类网络；所述特征提取网络包括双向门限循环单元层、自注意力层、多粒度卷积层及基于自注意力的池化层；所述词嵌入层用于采用分词模块将所述训练样本转化为词向量序列；所述特征提取网络用于通过所述双向门限循环单元层学习所述词向量序列的文本序列化特征，通过所述自注意力层对所述文本序列化特征进行特征筛选得到新文本特征，通过所述多粒度卷积层提取所述新文本特征中不同尺度的局部特征得到文本数据特征图，并通过基于自注意力的...

【技术特征摘要】
1.一种中文文本情感分析方法，其特征在于，所述方法包括：
获取中文文本，并对所述中文文本进行预处理得到训练样本；
构建中文文本情感分析网络；所述中文文本情感分析网络包括词嵌入层、特征提取网络及分类网络；所述特征提取网络包括双向门限循环单元层、自注意力层、多粒度卷积层及基于自注意力的池化层；所述词嵌入层用于采用分词模块将所述训练样本转化为词向量序列；所述特征提取网络用于通过所述双向门限循环单元层学习所述词向量序列的文本序列化特征，通过所述自注意力层对所述文本序列化特征进行特征筛选得到新文本特征，通过所述多粒度卷积层提取所述新文本特征中不同尺度的局部特征得到文本数据特征图，并通过基于自注意力的池化层对所述文本数据特征图进行特征提取得到局部特征序列；所述分类网络用于将所述局部特征序列进行特征融合，并进行情感极性分类；
将所述训练样本输入到所述中文文本情感分析网络中进行训练，得到训练好的中文文本情感分析模型；
获取待测中文文本，并对所述待测中文文本进行预处理得到待测样本；
将所述待测样本输入到所述中文文本情感分析模型中，得到情感极性分类。


2.根据权利要求1所述的方法，其特征在于，获取中文文本，并对所述中文文本进行预处理得到训练样本，包括：
获取中文文本；
对所述中文文本进行繁简体统一处理，并剔除标点等特殊字符，得到训练样本。


3.根据权利要求1所述的方法，其特征在于，将所述训练样本输入到所述中文文本情感分析网络中进行训练，得到训练好的中文文本情感分析模型，包括：
将所述训练样本输入到所述词嵌入层中，采用分词模块将所述训练样本转化为词序列，并通过预训练词向量模型对词序列进行词向量映射，得到所述词向量序列；
将所述词向量序列输入到所述双向门限循环单元层中，得到所述文本序列化特征；
将所述文本序列化特征输入到自注意力层中，得到所述新文本特征；
将所述新文本特征输入到多粒度卷积层中，得到所述文本数据特征图；
将所述文本数据特征图输入到所述基于自注意力的池化层中，得到对情感分类影响最大的局部特征序列；
将所述局部特征序列输入到分类网络中，得到情感极性预分类，并根据所述情感极性预分类和所述训练样本对所述中文文本情感分析网络进行反向训练，得到训练好的中文文本情感分析模型。


4.根据权利要求3所述的方法，其特征在于，将所述文本序列化特征输入到自注意力层中，得到所述新文本特征，包括：
根据预定的全局信息，计算得到词语的权重值；
将每个所述词语的权重与对应时刻的文本序列化特征进行加权求和，得到突出重点的所述新文本特征。


5.根据权利要求3所述的方法，其特征在于，所述多粒度卷积层包括多个大小不同的卷积核；
将所述新文本特征输入到多粒度卷积层中，得到所述文本数据特征图，包括：
...

【专利技术属性】
技术研发人员：胡艳丽，童谭骞，李川，左浩，谭立君，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43