1.融合用户情感倾向的社交网络评论文本情感分析方法,其特征在于,包括以下步骤:
S1、首先根据联合国人口基金会定义青少年的年龄范围为14-25岁的原则,将社交网络用户数据集根据用户个人资料的年龄信息划分14-25岁为青少年用户,再将他们各自对应的评论文本数据集分为训练样本和测试样本,然后统计各个用户评论的星级分类作为情感分类信息,再统计用户之间的社交关系信息,计算出各个用户的情感倾向分值;具体过程为:统计社交网络用户的评论,根据其星级将评论分为消极评论和积极评论,假设每个用户有p个积极评论和n个消极评论,再统计数据集中用户的社交关系,统计其数量为f,其情感倾向分值计算公式为:其中,N是用户的数量,是第i个用户的社交关系数量,是第i个用户积极评论的数量,是第i个用户的消极评论数量,si代表第i个用户的情感倾向分值;
S2、用计算的出的所有用户的情感倾向分值si组成集合s={s1,s2,…,sN},集合s作为用户的属性信息;统计用户i和用户j社交关系,有社交关系的组成组合[i,j],最终用户之间构建一个E×2的代表用户与用户的社交关系矩阵A,E是边的总数量,S3、利用图注意力网络模型GAT提取矩阵A中的用户情感倾向特征
其中,hj为第j个用户的初始节点向量,αij是用户i和用户j之间的注意力值,用户j是用户i的邻居,K为K个注意力头;采用tanh激活函数,得到的hii即为第i个用户的情感倾向特征,维度为S4、利用Transformers模型对评论文本进行编码得到评论文本特征;
S5、将用户情感倾向特征和评论文本特征通过联合策略得到每个评论的联合特征,再构建逻辑回归模型,用训练样本的评论联合特征进行模型的参数训练,再对测试样本进行情感极性预测分析。
2.根据权利要求1所述的融合用户情感倾向的社交网络评论文本情感分析方法,其特征在于,所述步骤3的具体过程为:定义每个用户的初始节点向量为hi,维度为hi=[f,p,n],所有用户组成集合h={h1,h2,…,hN},根据矩阵A的关系组成矩阵[hi,hj],用户j是用户i的邻居,使用注意力机制计算用户j对用户i的重要性,即注意力值,具体做法如下:其中,αij是用户i和用户j之间的注意力值,是前馈神经网络的权值参数,F是用户输出的向量维度,是先行转化h的权值参数,||表示拼接操作,激活函数采用LeaKyReLU;
模型采用多头注意力机制,有K个注意力头,每个注意力头对节点i的向量进行更新,最终把节点i的所有向量拼接起来取平均值,最终得到用户情感倾向特征hii。
3.根据权利要求2所述的融合用户情感倾向的社交网络评论文本情感分析方法,其特征在于,所述步骤4的具体过程为:对于一条评论文本,在评论文本前加上[CLS]标志,断句处加上[SEP]标志,根据网络权威语料库GoogleNLP语料库对评论文本进行one-hot编码,得到评论文本的one-hot embedding,定义为x,L为序列长度,根据Transformers的Self-Attention原理,把x作为输入计算评论文本的嵌入向量,计算采用多头注意力机制,其单头注意力值计算过程为:其中WiQ,WiK,Wiv为权值矩阵,维度为dk为K的维度,调节内积不使其过大,i表示注意力头的标号,一共有q个注意力头,headi为最终经过SoftMax激活得到的注意力值;
通过多个注意力值拼接计算,得到最终的评论文本特征x′,其计算公式为:
MultiHead=concat(head1,head2,…,headq)WO
通过把多个head值拼接起来,再点乘权值矩阵H为评论文本特征的向量维度,MultiHead为评论文本的词嵌入矩阵,维度为取其第一维即[CLS]的嵌入向量为评论文本特征表示,定义为x′。
4.根据权利要求3所述的融合用户情感倾向的社交网络评论文本情感分析方法,其特征在于,所述步骤5的具体过程为:构建逻辑回归模型进行情感预测,首先通过联合策略把用户情感倾向特征和评论文本特征连接起来,得到目标评论的联合特征,其计算公式为:其中x′i,h′i为第i个评论文本特征和评论作者的用户情感倾向特征,W3,W4为权值矩阵,维度分别为和h2为偏置量,维度为最终得到ci为第i个评论联合特征,一共有M个评论,即定义评论联合特征的向量矩阵为c,维度为2代表结果为2分类;再将c进行SoftMax激活,得到预测的情感极性,其计算公式为:y′=softmax(c)
将情感预测值y′与真实情感标签y通过CrossEntropy损失函数计算损失值,其计算公式为:根据损失值Loss反向传播更新模型参数,得到损失值最小且稳定的优化模型,再对其测试集进行预测分析,评价指标采用MacroF1,其公式为:其中,negprecision和negrecall为正确判断极性为消极情绪的查准率和查全率,posprecision和posrecall为正确判断极性为积极情绪的查准率和查全率,最终计算MacroF1作为情感分析的评价指标。
5.融合用户情感倾向的社交网络评论文本情感分析系统,其特征在于,包括:
情感倾向计算模块,根据用户的社交关系即用户有好友的数量,在社交网络上发表评论的情感极性分布,计算得出用户的情感倾向值;具体过程为:统计社交网络用户的评论,根据其星级将评论分为消极评论和积极评论,假设每个用户有p个积极评论和n个消极评论,再统计数据集中用户的社交关系,统计其数量为f,其情感倾向分值计算公式为:其中,N是用户的数量,是第i个用户的社交关系数量,是第i个用户积极评论的数量,是第i个用户的消极评论数量,si代表第i个用户的情感倾向分值;
用户社交网络的图网络结构构建模块,用计算的出的所有用户的情感倾向分值si组成集合s={s1,s2,…,sN},集合s作为用户的属性信息;统计用户i和用户j社交关系,有社交关系的组成组合[i,j],最终用户之间构建一个E×2的矩阵A,E是边的总数量,矩阵A代表用户与用户的社交关系矩阵,即构建一个用户-用户社交网络的图网络结构;
用户情感倾向特征提取模块,利用图注意力网络模型GAT提取用户所述图网络结构中的用户情感倾向特征其中,hj为第j个用户的初始节点向量,αij是用户i和用户j之间的注意力值,用户j是用户i的邻居,K为K个注意力头;采用tanh激活函数,得到的h′i即为第i个用户的情感倾向特征,维度为评论文本特征表示模块,利用Transformers模型对评论文本进行编码得到评论文本特征;
评论文本特征模型训练模块,构建评论文本特征模型,基于评论文本与语料库训练评论文本特征模型,获取数据集中所有的评论文本特征,汇总处理得到数据中所有评论文本特征的向量矩阵;
联合策略评论情感分析模块,构建联合策略评论情感分析模型,通过联合策略融合用户情感倾向特征和评论文本特征得到评论的联合特征,对联合策略评论情感分析模型进行迭代训练,利用训练后的联合策略评论情感分析模型对测试数据的评论文本预测分析其情感极性。
6.根据权利要求5所述的融合用户情感倾向的社交网络评论文本情感分析系统,其特征在于,所述评论文本特征模型训练模块的具体过程为:定义每个用户的初始节点向量为h,维度为h=[f,p,n],所有用户组成集合h={h1,h2,…,hN},根据矩阵A的关系组成矩阵[hi,hj],用户j是用户i的邻居,使用注意力机制计算用户j对用户i的重要性,即注意力值,具体做法如下:其中,αij是用户i和用户j之间的注意力值,是前馈神经网络的权值参数,F是用户输出的向量维度,是先行转化h的权值参数,||表示拼接操作,激活函数采用LeaKyReLU;
模型采用多头注意力机制,有K个注意力头,每个注意力头对节点i的向量进行更新,最终把节点i的所有向量拼接起来取平均值,最终得到用户情感倾向特征h′i。
7.根据权利要求6所述的融合用户情感倾向的社交网络评论文本情感分析方法,其特征在于,所述评论文本特征模型训练模块的具体过程为:对于一条评论文本,在评论文本前加上[CLS]标志,断句处加上[SEP]标志,根据网络权威语料库GoogleNLP语料库对评论文本进行one-hot编码,得到评论文本的one-hot embedding,定义为x,L为序列长度,根据Transformers的Self-Attention原理,把x作为输入计算评论文本的嵌入向量,计算采用多头注意力机制,其单头注意力值计算过程为:其中WiQ,WiK,WiV为权值矩阵,维度为dk为K的维度,调节内积不使其过大,i表示注意力头的标号,一共有q个注意力头,headi为最终经过SoftMax激活得到的注意力值;
通过多个注意力值拼接计算,得到最终的评论文本特征x′,其计算公式为:
MultiHead=concat(head1,head2,…,headq)WO
通过把多个head值拼接起来,再点乘权值矩阵H为评论文本特征的向量维度,MultiHead为评论文本的词嵌入矩阵,维度为取其第一维即[CLS]的嵌入向量为评论文本特征表示,定义为x′。
8.根据权利要求7所述的融合用户情感倾向的社交网络评论文本情感分析方法,其特征在于,所述联合策略评论情感分析模块的具体过程为:构建逻辑回归模型进行情感预测,首先通过联合策略把用户情感倾向特征和评论文本特征连接起来,得到目标评论的联合特征,其计算公式为:其中x′i,h′i为第i个评论文本特征和评论作者的用户情感倾向特征,W3,W4为权值矩阵,维度分别为和b2为偏置量,维度为最终得到ci为第i个评论联合特征,一共有M个评论,即定义评论联合特征的向量矩阵为c,维度为2代表结果为2分类;再将c进行SoftMax激活,得到预测的情感极性,其计算公式为:y′=softmax(c)
将情感预测值y′与真实情感标签y通过CrossEntropy损失函数计算损失值,其计算公式为:根据损失值Loss反向传播更新模型参数,得到损失值最小且稳定的优化模型,再对其测试集进行预测分析,评价指标采用MacroF1,其公式为:其中,negprecision和negrecall为正确判断极性为消极情绪的查准率和查全率,posprecision和posrecall为正确判断极性为积极情绪的查准率和查全率,最终计算MacroF1作为情感分析的评价指标。