一种面向智慧标牌系统的情感分类方法技术方案

本发明专利技术公开了一种面向智慧标牌系统的情感分类方法包括，首先通过对文本输入矩阵进行近似词义扩展；然后使用注意力机制与原文本输入矩阵进行计算，得到注意力加权文本矩阵；并将所述注意力加权文本矩阵作为输入，传入至融合卷积神经网络与时间卷积网络的情感分类模型中，得到SATT

【技术实现步骤摘要】
一种面向智慧标牌系统的情感分类方法


[0001]本专利技术涉及智慧标牌系统领域，尤其涉及一种面向智慧标牌系统的情感分类方法。

技术介绍

[0002]当前对于中文文本情感分类的方法主要有以下两类：第一类是基于词典规则的方法，这种方法基于情感词典和规则，对文本语句中的每个字词进行情感分类，然后根据字词的分类结果对整个文本语句进行情感分类。其优点在于实现简单、成本较低，但对于文本中含义复杂、多义性强的情况，效果不如机器学习方法。
[0003]另一类是通过训练一个机器学习模型来实现文本情感分类。其特点为通常需要大量的标注数据作为训练集，然后利用如朴素贝叶斯、支持向量机、随机森林、深度学习等机器学习算法，对模型进行训练和测试，得到最终的情感分类结果。
[0004]针对海量用户短评论的情感文本数据，传统的基于词典规则的方法尽管可以方便获取文本的情感倾向，但是会忽略文本的顺序和文段语义信息，同时需要依靠大量人力物力进行更新，因此不适用于本专利技术面向的智慧标牌系统，而传统的机器学习方法，存在过度依赖文本数据以及特征提取繁琐的问题，也同样无法适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向智慧标牌系统的情感分类方法，其特征在于，包括：通过对文本输入矩阵进行近似词义扩展；使用注意力机制与原文本输入矩阵进行计算，得到注意力加权文本矩阵；将所述注意力加权文本矩阵作为输入，传入至融合卷积神经网络与时间卷积网络的情感分类模型中，得到SATT
‑
CTCN模型，利用SATT
‑
CTCN模型得到情感分类结果。2.如权利要求1所述的面向智慧标牌系统的情感分类方法，其特征在于，所述通过对文本输入矩阵进行近似词义扩展，包括：对于输入的文本，使用预训练词向量模型，将其表示为文本矩阵，同时考虑其稀疏性和歧义性，对其使用基于余弦相似度的词义扩展。3.如权利要求2所述的面向智慧标牌系统的情感分类方法，其特征在于，所述基于余弦相似度的词义扩展，包括：将文本向量设为T＝(W1,W2,W3,W4
……
,Wn)；其中，Wi为该词所对应词向量，即Wi＝(x1,x2,x3,x4
……
xn)；对应于文本T中每个字词Wi，在预训练词向量模型中通过余弦相似度寻找近义词Zj＝(y1,y2,y3,y4
……
yn)进行词义扩展，计算公式表示为：其中，x
i
和y
i
为预训练词；通过获取结果最接近1的字词，作为原文本中字词Wi的最相似词，进行词义扩展。4.如权利要求3所述的面向智慧标牌系统的情感分类方法，其特征在于，使用注意力机制与原文本输入矩阵进行计算，得到注意力加权文本矩阵，包括：对于待处理的文本句S＝[W1,W2,W3
…
Wi
…
,WT]；其中，Wi代表文本句中的字词，文本句S大小为T
×
D，T代表统一后的文本句长度，即文本句中字词个数；D代表每个字词的维数；将其接入线性层y'，并进行归一化处理。5.如权利要求4所述的面向智慧标牌系统的情感分类方法，其特征在于，所述将其接入线性层y'，并进行归一化处理，包括：得到字词的重要性分布，公式表示为：Ci＝y
’×
WiWiWi其中，Ci表示文本句线性化后的值；u
c
表示为文本均值，δ
c
表示为文本标准差；为避免
δ
c
‑
ε的分母为0，设定ε＝1e
‑
5；将上述四个公式带入以下的两个公式中，即可得到每个字词在文本句中的重要性分布；α
i
＝...

【专利技术属性】
技术研发人员：胡棪嵘，刘旋，刘萍，郑杰，吴惠灵，
申请(专利权)人：扬州大学，
类型：发明
国别省市：