1.一种基于深度学习的微博文本情感分类方法,其特征在于,所述方法包括:
步骤1:对微博文本数据进行预处理,其中包括,爬取微博文本数据作为源文本,通过正则表达式对源文本进行数据清洗,去除特殊符号和标签,对源文本进行中文分词,利用自然语言处理工具包去除源文本中的停用词,排除干扰特征,获得文本D;
步骤2:生成词向量,其中包括,根据GloVe模型将文本D中的词转换为静态词向量根据BERT模型将文本D中的词转换为动态词向量Sb=[wb1,wb2,...,wbt],根据SenticNet情感词典对文本D中的词进行相似度计算,获得第一情感极性值Psentic=polarity(wi)以及情感维度分布向量Sw=[pleasantnessw,attentionw,sensitivityw,aptitudew],其中t为生成的词向量的维度;
步骤3:根据神经网络模型提取特征向量,其中包括,将静态词向量
和动态词向量Sb=[wb1,wb2,...,wbt]堆叠嵌入生成输入词向量 将输入词向量 输入卷积神经网络,得到局部特征向量,将输入词向量 输入到BiGRU模型,得到全局特征向量;
步骤4:文本情感分类,其中包括,将局部特征向量、全局特征向量以及情感维度分布向量进行拼接,输入到全连接层处理,再输入到Softmax分类器中进行情感极性值计算得到第二情感极性值PCNN_BiGRU,将第一情感极性值与第二情感极性值进行均值化得到文本D的情感极性值PD,根据预设的阈值进行情感分类判断,输出文本情感分类结果。
2.根据权利要求1所述的基于深度学习的微博文本情感分类方法,其特征在于,所述步骤2包括:步骤2‑1:GloVe模型是基于全局词频统计的词表征工具,根据文本D构建共现矩阵,单词向量表示为 其中,每一个元素xij代表单词i与单词j在特定大小的上下文窗口内共同出现的次数,根据两个单词在上下文窗口的距离d,通过衰减函数计算权重,通过共现矩阵生成单词向量wi,输出静态词向量步骤2‑2:采用chinese_L‑12_H‑768_A‑12的BERT模型,其中Transformer Encoder层的数量为12层,隐藏层的维度为768,自注意力机制层的自注意头的个数为12,输入文本D的词向量表示,经Transformer Encoder层及自注意力机制层对文本D中的词进行融合全文语义信息的增强向量表示,输出动态词向量Sb=[wb1,wb2,...,wbt];
步骤2‑3:SenticNet情感词典用于计算情感强度,SenticNet是一个概念层次的知识库,提供了语义、情感、极性关联的概念,语义指与输入概念在语义上最相关的五个概念,情感指四个情感维度(pleasantness,attention,sensitivity,aptitude)的情感值,以及区间[‑1,1]的情感极性值,通过输入文本D中的词,得到第一情感极性值Psentic=polarity(wi)以及情感维度分布向量Sw=[pleasantnessw,attentionw,sensitivityw,aptitudew];
3.根据权利要求2所述的基于深度学习的微博文本情感分类方法,其特征在于,所述步骤3包括:步骤3‑1:卷积层由若干特征图构成,每个特征图由多个神经元组成,神经元通过卷积核与上一层连接,输入 每一个卷积核对应抽取某一部分特征,得到该部分特征矩阵,矩阵中的每一行和一个单词的词向量对应,提取文本特征时,卷积核从上向下进行卷积操作,卷积操作完成后,对卷积核的卷积结果做非线性映射,将ReLU函数f=relu=max(0,x)作为激活函数,获得特征矩阵Z=f(W*Sinput+b)=relu(W*Sinput+b),其中W是权重矩阵,b是偏置项,卷积层采用三种不同大小的卷积核(Conv2,、Conv3、Conv5),获得不同距离词序列之间的特征,池化层通过最大池化法提取特征图中池化区域最大的特征值,对特征信息进行降维,Zmax=max(Zi)表示最大池化层提取的特征图,其中,Zi表示第i个特征图Z,max表示取最大值;
步骤3‑2:BiGRU模型用于提取文本数据的全局特征,包含重置门reset gate和更新门update gate,通过上一个传输下来的状态ht‑1和当前节点的输入Sinput‑t来获取两个门控状态,在模型中t时刻当前隐藏层ht由前向隐藏层 和反向隐藏层 加权求和得到,计算方式为:其中,Sinput‑t表示当前隐藏层的输入, 表示(t‑1)时刻前向隐藏层状态, 表示(t‑
1)时刻反向隐藏层状态,wt、vt分别表示t时刻BiGRU模型的前置隐藏层权重值和后置隐藏层权重值,bt表示t时刻隐藏层状态的偏置值。
4.根据权利要求3所述的基于深度学习的微博文本情感分类方法,其特征在于,所述步骤4包括:将局部特征向量Zmax、全局特征向量ht及情感维度分布向量Sw进行拼接,经过全连接层处理,通过在全连接层前融合Dropout方法,防止模型过拟合,输入到Softmax分类器进行文本情感分类操作,得到:Y'=Dropout(a*y)+b,
Y=softmax(Y'),
其中,a、b为全连接层的权重矩阵和偏置值,y为拼接后的特征向量,输出第二情感极性值PCNN_BiGRU=polarity(Y),将PCNN_BiGRU=polarity(Y)和Psentic=polarity(wi)进行均值化得到文本D的情感极性值根据预设的阈值进行情感分类判断,输出文本情感分类结果。
5.一种计算机设备,其特征在于,包括:
存储器,用于存储指令;以及
处理器,用于调用所述存储器存储的指令执行如权利要求1‑4所述的基于深度学习的微博文本情感分类方法。
6.一种计算机可读存储介质,其特征在于,存储有指令,所述指令被处理器执行时,执行如权利要求1‑4所述的基于深度学习的微博文本情感分类方法。