情感分类模型的训练方法、情感分类预测方法及电子设备技术

本申请涉及模型训练领域，公开了一种情感分类模型的训练方法、情感分类预测方法及电子设备，包括：接收文本数据及文本数据对应的实际属性标签和实际情感标签，获取文本数据的词向量表示和属性词向量矩阵，文本数据由同一领域内用户的评论文本和提示信息拼接后得到，提示信息用于引导情感分类模型对文本数据的属性进行情感分类；基于词向量表示和属性词向量矩阵提取属性特征和情感特征；基于属性特征获取预测属性标签，基于情感特征获取预测情感标签；基于损失函数，结合实际属性标签、实际情感标签、预测属性标签和预测情感标签对情感分类模型进行训练直至收敛，获得训练完成的情感分类模型，提高了情感分类的准确度低，降低了时间和人工成本。间和人工成本。间和人工成本。

【技术实现步骤摘要】
情感分类模型的训练方法、情感分类预测方法及电子设备


[0001]本专利技术涉及模型训练领域，尤其涉及一种情感分类模型的训练方法、情感分类预测方法及电子设备。

技术介绍

[0002]随着网络的迅速发展，用户可以在各类软件中分享自己的喜好和评价，因此，在网络中，产生了大量针对产品、人物、时事、店铺等对象的讨论信息。在各类讨论信息中蕴含着大量用户的情感信息，在大数据时代，这些信息包含着大量值得被挖掘和分析的价值，因此对情感进行自动分类的需求促使情感分类成为了当下自然语言处理(Natural Language Processing，NLP)的热门领域之一。
[0003]然而，随着数据的爆发性增长，不同用户的表达方式也各有不同，各类软件推荐符合人们需求和偏好的选择变得耗时耗力，因此，通用的情感分析方法存在分析准确度低、时间成本和人工成本高的问题。

技术实现思路

[0004]本专利技术的目的在于解决上述问题，提供一种情感分类模型的训练方法、情感分类预测方法及电子设备，解决了文本情感分析准确度低、时间成本和人工成本高的问题。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种情感分类模型的训练方法，其特征在于，包括：接收文本数据及所述文本数据对应的实际属性标签和实际情感标签，获取所述文本数据的词向量表示和属性词向量矩阵，其中，所述文本数据由同一领域内用户的评论文本和提示信息拼接后得到，所述提示信息用于引导待训练的情感分类模型对所述文本数据的属性进行情感分类；基于所述词向量表示和属性词向量矩阵提取所述文本数据的属性特征和情感特征；基于所述属性特征获取所述文本数据的预测属性标签，基于所述情感特征获取所述文本数据的预测情感标签；基于预设的损失函数，结合所述实际属性标签、所述实际情感标签、所述预测属性标签和预测情感标签对所述待训练的情感分类模型进行训练直至收敛，获得训练完成的情感分类模型。2.根据权利要求1所述的情感分类模型的训练方法，其特征在于，所述获取所述文本数据的词向量表示和属性词向量矩阵，包括：将所述文本数据投影到所述待训练的情感分类模型的嵌入空间，得到所述文本数据的词向量表示；对所述文本数据中的属性集合进行编码，得到所述文本数据的属性词向量矩阵。3.根据权利要求1所述的模型的训练方法，其特征在于，所述基于所述词向量表示和属性词向量矩阵提取所述文本数据的属性特征，包括：将所述词向量表示输入双向编码表示转换器中，获得所述双向编码表示转换器的隐藏层状态矩阵；对所述隐藏层状态矩阵的最后一层进行平均池化处理，得到所述文本数据的平均表示；将所述属性词向量矩阵与所述文本数据的平均表示进行点乘计算，得到所述文本数据的属性特征。4.根据权利要求3所述的情感分类模型的训练方法，其特征在于，所述基于所述属性特征获取所述文本数据的预测属性标签，包括：使用全连接层对所述文本数据的属性特征进行线性变换；其中，所述全连接层预先设置了Dropout释放参数；将经线性变换后的属性特征投射到属性标签空间中，得到所述文本数据的预测属性标签；其中，所述属性标签空间由所述属性词向量矩阵构成。5.根据权利要求1所述的情感分类模型的训练方法，其特征在于，所述提示信息包含N种提示模板，其中，所述N为大于1的整数；所述感情特征的提取过程，包括：将所述词向...

【专利技术属性】
技术研发人员：过弋，刘欣怡，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：