1.一种中文短文本情感倾向性分析方法,其特征在于,获取待分析的中文短文本语料集;
将中文短文本语料集输入到预先构建的情感分类模型,输出对应的情感极性;
所述预先构建的情感分类模型的处理过程包括:
利用预先获取的语言模型对中文短文本语料集进行基础语义处理,得到由基础语义词向量表示的原始文本;
利用预先获取的情感增强词库对中文短文本语料集进行情感增强处理,得到由增强情感词向量表示的增强后文本;
提取由基础语义词向量表示的原始文本的上下文语义特征;
提取由增强情感词向量表示的增强后文本的上下文语义特征;
将原始文本的上下文语义特征和增强后文本的上下文语义特征进行拼接,得到最终的情感特征向量;
将情感特征向量输入到分类模型,输出对应的情感极性;
所述利用预先获取的情感增强词库对中文短文本语料集进行情感增强处理,得到由增强情感词向量表示的增强后文本的过程包括:利用预先获取的情感增强词库对中文短文本语料集根据如下过程进行情感增强:遍历中文短文本语料集;
若遍历到的中文短文本语料集的当前词语为情感词,直接将该词语加入到该词语所在句子的末尾;
若遍历到的中文短文本语料集的当前词语为程度副词,后接情感词,则将二者作为一个整体加入到该词语所在句子的末尾;若该整体已存在于句子末尾,则不进行重复添加;
若遍历到的中文短文本语料集的当前词语为否定词,后接情感词,则将二者作为一个整体加入到该词语所在句子的末尾;若该整体已存在于句子末尾,则不进行重复添加;
若遍历到的中文短文本语料集的否定词后接程度副词和情感词,则将三者作为一个整体加入到该词语所在句子末尾;若该整体已存在,则不进行重复添加;
利用Bert‑wmm语言模型对完成情感增强后的中文短文本语料集进行处理,获得增强情感词向量表示的增强后文本。
2.根据权利要求1所述的中文短文本情感倾向性分析方法,其特征在于,所述语言模型采用Bert‑wmm语言模型。
3.根据权利要求1所述的中文短文本情感倾向性分析方法,其特征在于,所述提取由基础语义词向量表示的原始文本的上下文语义特征的过程包括:利用BiGRU+Self‑Attention模型对由基础语义词向量表示的原始文本进行特征提取,得到原始文本的上下文语义特征。
4.根据权利要求1所述的中文短文本情感倾向性分析方法,其特征在于,所述提取由增强情感词向量表示的增强后文本的上下文语义特征的过程包括:利用BiGRU+Self‑Attention模型对由增强情感词向量表示的增强后文本进行特征提取,得到增强后文本的上下文语义特征。
5.根据权利要求1所述的中文短文本情感倾向性分析方法,其特征在于,所述将情感特征向量输入到预先构建的情感分类模型,输出对应的情感极性的过程包括:将Vc和Ve采用行连接的方式进行特征融合,构建文本整体的情感特征向量;
根据文本整体的情感特征向量构建(rs+re)×c的矩阵V^,矩阵V^为最终情感特征向量,其中rs和re分别为Vc和Ve的行数,c为Vc和Ve的列数,Vc和Ve分别表示原始文本的上下文语义特征和增强后文本的上下文语义特征;
将特征融合层生成的情感特征向量V^输入到Softmax分类模型,得到最终预测的情感分类结果;
Softmax分类模型的计算公式为:
p=Softmax(waV^+ba)
其中:wa为权重系数矩阵,ba为偏置矩阵,p为输出的预测情感标签。
6.根据权利要求5所述的中文短文本情感倾向性分析方法,其特征在于,所述情感分类模型的确定过程包括:获取历史中文短文本语料集,对历史中文短文本语料集进行预处理,得到训练集和测试集;
采用反向传播算法训练BiGRU+Self‑Attention模型和Softmax模型的网络参数,反向传播算法的损失函数采用交叉熵函数,训练目标为最小化训练集中已知情感类别和预测情感类别的交叉熵,交叉熵计算公式为:式中:M为训练集,N为情感标签的类别数,y为实际情感类别,为预测情感类别,λ为L2正则化系数,θ为设置的参数,i=1,2,…M,j=1,2,…N;
完成模型训练后,使用测试集评估模型泛化性能,采用评估指标F1值进行模型评估,若F1值在0.9以上,则符合需求,获得最终情感分类模型;若低于0.9,则调整模型超参数,继续训练模型。