一种电影评论情感分析模型及装置制造方法及图纸

本发明专利技术属于数据分析技术领域，具体为一种电影评论情感分析模型及装置，包括以下算法流程：步骤一：CNN网络模块，卷积神经网络(CNN)包含了一个可以计算卷积，包括输入层、卷积层、池化层和全连接层；步骤二：RNN网络模块，循环神经网络的输入数据的往往是以序列的形式出现，对于数据读取方式则是采取了递进读取，网络中的相关节点是以链接式递归神经网络进行排列；本发明专利技术提出的算法在引入的注意力机制之后，在验证集上效果提升显著，最高的准确率达到94％左右，测试集则在93％左右，召回率，F1均值也有所提升，LSTM‑Attention模型也在一定程度上提升了在中评和差评和处的准确率，从混淆矩阵的输出结果也可以看出，LSTM‑Attention模型对于中评性能的具有一定的提升。

【技术实现步骤摘要】
一种电影评论情感分析模型及装置
本专利技术涉及数据分析
，具体为一种电影评论情感分析模型及装置。
技术介绍
随着改革开放的脚步不断向前大步迈进深化发展，文化领域得到了空前的发展，其中电影领域的发展尤为瞩目，创作数量陡增，类型众多。与此同时伴随着互联网的发展，越来越多的视频网站、电影购票平台、影评平台出现的推动也功不可没。大量电影评论的出现，为研究电影评论情感走向提供了大量文本数据。情感分析通过对文本信息分别采用定性和定量两种不同分析手段，对于用户的评论做出情感趋向预测识别。大量出现的电影评论文本为文本情感分类提供了可靠的数据集来源。对于电影市场不断扩大的趋向，市场需要对观众对交换观影反馈做出情感分析以助于电影的宣传和进一步推广。由此可见，电影评论的情感分析对于分析电影市场走向有着极为极为重要指导作用。由于电影评论数据广泛的存在于互联网电影视频平台，但是由于电影评论往往呈现出缺失统一的标准化发表模式，因此电影评论的结构往往缺乏一定的统一规定，大量的未经处理过的原始非规则的语料充斥网络，因此在对电影评论数据集进行情感分析前，需要对相关数据集进行处理。传统的深度学习在情感分析领域的应用往往具有局限性，CNN网络模型需要大量的数据集作为支撑，发挥作用的领域也集中在CV领域；RNN存在着梯度爆炸现象，即使提出了LSTM和GRU等相关变体，对于长句的上下文时序性的特征抓取能力仍有不足，参数的过多也加重了计算力的消耗。
技术实现思路
本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述和/或现有电影评论情感分析中存在的问题，提出了本专利技术。因此，本专利技术的目的是提供一种电影评论情感分析模型及装置，能够解决传统深度学习算法在情感分析中的不足之处，获得了较好的效果。为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：一种电影评论情感分析模型及装置，包括以下算法流程：步骤一：CNN网络模块，卷积神经网络(CNN)包含了一个可以计算卷积，包括输入层、卷积层、池化层和全连接层；步骤二：RNN网络模块，循环神经网络的输入数据的往往是以序列的形式出现，对于数据读取方式则是采取了递进读取，网络中的相关节点是以链接式递归神经网络进行排列；步骤三：LSTM网络模块，在LSTM的网络构造中，使用复杂的非线性单元堆叠，从而构造深层次网络，解决传统RNN网络中的梯度消失和爆炸问题；步骤四：GRU网络，GRU作为循环神经网络的变形网络，在具体时序性任务问题中，着重解决了在网络的反向传播中对于序列的输入问题核梯度消失问题的解决；步骤五：LSTM-Attention网络，对LSTM模型进行改进，引入Attention注意力机制，设计LSTM-Attention模型。作为本专利技术所述的一种电影评论情感分析模型及装置的一种优选方案，其中：所述步骤一中：输入层，不同维度的卷积神经网络的输入层的数据维度分为三种不同维度的输入数据形式，输入数据既可以低维的数据也可以是高维的数据；卷积层卷，积核中定期扫描输入的数据，并且对于输入的数据进行特征提取，提取后的特征与“感受野”的信息数据相乘，最终求得叠加偏差；池化层，主要负责对于数据特征的提取，通过预置的汇聚函数，用相邻区域的统计处理结果代替特征图中单点处理的结果，进一步提取信息特征和提取最重要的特征；池化层由三个部分组成：池区大小、步长和填充控制，其中最大池化法的作用是提取输入数据的映射后的特征向量中，特征最为显著的特征向量，通过特征维度的映射，提取特征值；全连接层，对应着前馈网络中的模拟层，并且实现了隐藏层的对应功能，卷积神经网络自身具有隐藏层，完全连接层则被设置在卷积神经网络的隐藏层之后，紧跟着相连，全连接层里的信息数据只向与之不对应的全连接层输入。作为本专利技术所述的一种电影评论情感分析模型及装置的一种优选方案，其中：所述步骤三：LSTM网络模块通过引入“门”函数实现对于句子历史性信息的选择记忆，通过三个形象的步骤“遗忘”，“保留”和“输出”，控制序列信息。一种电影评论情感分析装置，包括权利要求1-3任一项用于电影评论情感的分析模型。与现有技术相比：本专利技术提出的算法在引入的注意力机制之后，在验证集上效果提升显著，最高的准确率达到94％左右，测试集则在93％左右，召回率，F1均值也有所提升，LSTM-Attention模型也在一定程度上提升了在中评和差评和处的准确率，从混淆矩阵的输出结果也可以看出，LSTM-Attention模型对于中评性能的具有一定的提升。附图说明为了更清楚地说明本专利技术实施方式的技术方案，下面将结合附图和详细实施方式对本专利技术进行详细说明，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方式，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它的附图。其中：图1为本专利技术步骤一CNN集体结构结构示意图；图2为本专利技术步骤二RNN结构结构示意图；图3为本专利技术步骤三LSTM网络中一个细胞单元(Cell)结构示意图；图4为本专利技术步骤四GRU模型结构示意图；图5为本专利技术步骤五LSTM-Attention模型结构示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施方式的限制。其次，本专利技术结合示意图进行详细描述，在详述本专利技术实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施方式作进一步地详细描述。本专利技术提供一种电影评论情感分析模型及装置，能够解决传统深度学习算法在情感分析中的不足之处，获得了较好的效果，请参阅图1-5，包括以下算法流程：步骤一：CNN网络模块，卷积神经网络(CNN)包含了一个可以计算卷积，包括输入层、卷积层、池化层和全连接层；步骤二：RNN网络模块，循环神经网络的输入数据的往往是以序列的形式出现，对于数据读取方式则是采取了递进读取，网络中的相关节点是以链接式递归神经网络进行排列；步骤三：LSTM网络模块，在LSTM的网络构造中，使用复杂的非线性单元堆叠，从而构造深层次网络，解决传统RNN网络中的梯度消失和爆炸问题；步骤四：GRU网络本文档来自技高网...

【技术保护点】
1.一种电影评论情感分析模型，其特征在于，包括以下算法流程：/n步骤一：CNN网络模块，卷积神经网络(CNN)包含了一个可以计算卷积，包括输入层、卷积层、池化层和全连接层；/n步骤二：RNN网络模块，循环神经网络的输入数据的往往是以序列的形式出现，对于数据读取方式则是采取了递进读取，网络中的相关节点是以链接式递归神经网络进行排列；/n步骤三：LSTM网络模块，在LSTM的网络构造中，使用复杂的非线性单元堆叠，从而构造深层次网络，解决传统RNN网络中的梯度消失和爆炸问题；/n步骤四：GRU网络，GRU作为循环神经网络的变形网络，在具体时序性任务问题中，着重解决了在网络的反向传播中对于序列的输入问题核梯度消失问题的解决；/n步骤五：LSTM-Attention网络，对LSTM模型进行改进，引入Attention注意力机制，设计LSTM-Attention模型。/n

【技术特征摘要】
1.一种电影评论情感分析模型，其特征在于，包括以下算法流程：
步骤一：CNN网络模块，卷积神经网络(CNN)包含了一个可以计算卷积，包括输入层、卷积层、池化层和全连接层；
步骤二：RNN网络模块，循环神经网络的输入数据的往往是以序列的形式出现，对于数据读取方式则是采取了递进读取，网络中的相关节点是以链接式递归神经网络进行排列；
步骤三：LSTM网络模块，在LSTM的网络构造中，使用复杂的非线性单元堆叠，从而构造深层次网络，解决传统RNN网络中的梯度消失和爆炸问题；
步骤四：GRU网络，GRU作为循环神经网络的变形网络，在具体时序性任务问题中，着重解决了在网络的反向传播中对于序列的输入问题核梯度消失问题的解决；
步骤五：LSTM-Attention网络，对LSTM模型进行改进，引入Attention注意力机制，设计LSTM-Attention模型。


2.根据权利要求1所述的一种电影评论情感分析模型，其特征在于，所述步骤一中：
输入层，不同维度的卷积神经网络的输入层的数据维度分为三种不同维度的输入数据形式，输入数据既可以低维的数据也可以是高维...

【专利技术属性】
技术研发人员：包铁，邱禹臣，彭涛，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22