1.一种基于核极限学习机优化的情感倾向预测方法,其特征在于,包括:步骤1:对情感倾向预测数据集进行处理,主要包括数据清洗、数据集成、数据转换和词性标注,构建词云图,了解词义以及词性的分布,并对数据集进行切分;步骤2:核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限有学习机模型;步骤3:确定多目标函数以及核极限学习机优化参数,包括初始权值和阈值;步骤4:定义多目标优化策略,寻找目标子集,目标子集尽可能少的保留或改变原问题的帕累托集优势结构;步骤5:利用海鸥优化算法寻找帕累托解;步骤6:判断当前的迭代次数是否达到最大迭代次数Max_iter,若达到则输出多目标优化核极限学习机的最优参数组合;若未达到,则返回步骤5继续进行迭代;步骤7:根据得到的核极限学习机的最佳参数集合建立情感倾向预测模型,采用训练数据集对情感倾向预测模型进行训练建模;步骤8:采用测试集对训练好的情感倾向预测模型进行测试,验证情感倾向预测模型的有效性。
2.根据权利要求1所述的基于核极限学习机优化的情感倾向预测方法,其特征在于,所述核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限有学习机模型,包括核极限学习机的激活函数:h(x)=k(xi,xj)
其中,k(xi,xj)为Line_kernel、RBF_kernel、Poly_kernel或Sigmoid_kernel类型,h(x)为核极限学习机模型的激活函数。
3.根据权利要求2所述的基于核极限学习机优化的情感倾向预测方法,其特征在于,所述核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限有学习机模型,包括核极限学习机模型:T
其中,H为隐含层矩阵,H为隐含层矩阵的广义逆,T为预测目标向量,为对称矩阵中对角上的元素与偏置量的和,C为随机系数。
4.根据权利要求3所述的基于核极限学习机优化的情感倾向预测方法,其特征在于,步骤3中的多目标函数,包括:其中,obf1为均方误差,obf2为标准差,N代表样本数量,yi代表第i个预测值,yi代表第i个被预测值,min为取最小值,N为被预测值的数量。
5.根据权利要求4所述的基于核极限学习机优化的情感倾向预测方法,其特征在于,步骤4中的目标子集尽可能少的保留或改变原问题的帕累托集优势结构,包括:定义一个外部存档用于存储最优非支配帕累托解,确定是否将一个解归为最优非支配帕累托解;最近邻的启发式算法以与当前个体距离最近的个体为下一个体。
6.根据权利要求5所述的基于核极限学习机优化的情感倾向预测方法,其特征在于,指标函数包括:其中,fij(μ)代表个体i到个体j之间的距离,μ代表权重系数,对搜寻距离和时间进行平衡,F代表转置矩阵,dij表示i和j两点之间的距离,V代表目标空间。
7.根据权利要求6所述的基于核极限学习机优化的情感倾向预测方法,其特征在于,所述利用海鸥优化算法寻找帕累托解,包括:利用海鸥的攻击和迁移找到最佳的种群个体和所在的位置;代入多目标优化函数,找到最优非支配帕累托解。
8.一种基于核极限学习机优化的情感倾向预测装置,其特征在于,包括:第一主模块,用于实现步骤1:对情感倾向预测数据集进行处理,主要包括数据清洗、数据集成、数据转换和词性标注,构建词云图,了解词义以及词性的分布,并对数据集进行切分;第二主模块,用于实现步骤2:核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限有学习机模型;第三主模块,用于实现步骤3:确定多目标函数以及核极限学习机优化参数,包括初始权值和阈值;第四主模块,用于实现步骤4:定义多目标优化策略,寻找目标子集,目标子集尽可能少的保留或改变原问题的帕累托集优势结构;第五主模块,用于实现步骤
5:利用海鸥优化算法寻找帕累托解;第六主模块,用于实现步骤6:判断当前的迭代次数是否达到最大迭代次数Max_iter,若达到则输出多目标优化核极限学习机的最优参数组合;
若未达到,则返回步骤5继续进行迭代;第七主模块,用于实现步骤7:根据得到的核极限学习机的最佳参数集合建立情感倾向预测模型,采用训练数据集对情感倾向预测模型进行训练建模;第八主模块,用于实现步骤8:采用测试集对训练好的情感倾向预测模型进行测试,验证情感倾向预测模型的有效性。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和通信接口;其中,
所述处理器、存储器和通信接口相互间进行通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行权利要求1至7任一项权利要求所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至7中任一项权利要求所述的方法。