1.一种基于深度学习的文本语义特征生成优化方法,其特征在于:包括以下步骤:
步骤S1:包括对象层、上层语义模块、下层语义模块以及文本信息模块;所述文本信息模块中记录的是文本信息原身,外部情感多样性提供给文本信息的是非线性属性;
步骤S2:采取栈式去噪自编码法建立文本编码器提取文本语义,采用单层神经网络学习下层文本语义获取其特征,保存到下层语义模块;
步骤S3:以下层语义模块为数据基础提取上层文本语义获取其特征,保存到上层语义模块;
步骤S4:在上层语义模块、下层语义模块和对象层之间建立语义特征优化程序,运行程序输出文本语义特征集群,完成双向推导过程。
2.根据权利要求1所述的一种基于深度学习的文本语义特征生成优化方法,其特征在于:所述语义特征优化程序包括正向文本语义特征生成以及反向文本语义特征生成;
其中,所述正向文本语义特征生成具体为:每层神经网络都有一个文本编码器,采用深度学习的免监督手段从下到上依次训练编码器,学习文本语义,使用新浪云算法学习文本语义,模拟网民思维方式,重新定义文本语义;经过上述发展,单层神经网络的神经元比重发生了变化,根据梯度将单层神经网络展开,建立标准神经网络;训练标准神经网络的整体文本语义,生成低等级文本语义特征。
3.根据权利要求2所述的一种基于深度学习的文本语义特征生成优化方法,其特征在于:所述反向文本语义特征生成具体为:利用深度学习在所生成的正向文本语义特征上建立概念数据库进行深层次特征提取;深度学习算法在上、下层语义模块内分别建立隐含层和输出层,在下层语义模块隐含层中使用卷积运算对正向文本语义特征进行深层反向分析,所涉及到的操作均为免监督式,无任何顾虑地、不接受多余条件约束地生成文本语义特征;单层神经网络的学习是自下而上,概念数据库进行的深度学习是自上而下,从对象层开始向下输入数据,用以补充文本信息因单方向输入算法模型中产生的挖掘漏洞;上述过程结束后,开始提取高等级文本语义特征,整个过程与正向文本语义特征提取过程基本一致。
4.根据权利要求3所述的一种基于深度学习的文本语义特征生成优化方法,其特征在于:上、下层推导语义模块隐含层的深度学习过程使用的函数为;
其中,上角标low和high分别表示下层语义模块和上层语义模块,hk是指隐含层中的第k个神经元,Wk是hk的卷积核,bk是hk的文本语义特征误差,V是标准神经网络体积,n是上层语义模块隐含层神经元数量,p是后验概率。
5.根据权利要求4所述的一种基于深度学习的文本语义特征生成优化方法,其特征在于:正向语义推导模块拥有两种后验概率,即隐含层p1和输出层p2,表示为: