[发明专利]基于和积网络深度自动编码器的短文本情感分析方法

权利要求书

1.一种基于和积网络深度自动编码器的短文本情感分析方法，其特征在于：至少包括以下步骤：

步骤一、预处理在线爬取的短文本数据；

采用Porter算法、正则表达式方法对在线爬取的无标签短文本数据进行预处理；

步骤二、利用doc2vec模型训练句向量；

采用doc2vec模型对步骤一获得的短文本数据进行训练得到句向量；

步骤三、提出使用和积网络在线结构学习算法对步骤二得到的句向量进行在线结构学习，得到一个和积网络深度编码器；使用所得到的和积网络深度编码器对步骤二获得的句向量进行编码，得到句向量的分层抽象特征；

步骤四、构建最大积网络深度解码器，对步骤三得到的分层抽象特征进行解码；将解码后的特征与步骤二输入和积网络深度编码器的句向量特征对比，计算重构误差；调整和积网络深度自动编码器参数使得重构误差最小；最终，得到最优的和积网络深度编码器，并由它获得最优分层抽象特征；

步骤五、利用由步骤四得到的最优分层抽象特征进行在线结构学习生成一个和积网络模型，使用少量带标签的短文本数据微调和积网络模型，和积网络模型使用其在线参数学习算法不断调整优化网络参数；输入测试集，由训练好的和积网络模型获得情感分类类别。

2.根据权利要求1所述的一种基于和积网络深度自动编码器的短文本情感分析方法，其特征在于：步骤一中采用如下方法对在线爬取的短文本数据进行预处理：使用Porter算法提取词干；对重复字符、用户句柄、链接、表情符号、话题标签采用正则表达式方法替换为简洁表示；通过距离标定方法对否定词进行检测，上述预处理操作能规范短文本集并降低特征集的大小。

3.根据权利要求1所述的一种基于和积网络深度自动编码器的短文本情感分析方法，其特征在于：所述步骤三中利用和积网络的在线结构学习算法对步骤二得到的句向量进行一次扫描并以节点分裂的方法自底向上构造出一个和积网络深度编码器，使用所得到的和积网络深度编码器对步骤二获得的句向量进行编码，将句向量逐层编码到低维的嵌入空间，由此得到句向量的分层抽象特征，使用和积网络在线结构学习算法生成一个和积网络深度编码器的方法考虑了输入数据之间的相关信息，比现有使用一个先验结构深度编码器能更好的拟合不同类型的短文本数据，使用和积网络深度编码器对句向量进行编码可得到相对于现有深度编码器更优的分层抽象特征且使用和积网络深度编码器编码速度更快。

4.根据权利要求1所述的一种基于和积网络深度自动编码器的短文本情感分析方法，其特征在于：所述步骤四中利用替换和积网络深度编码器中Sum节点为Max节点的方法构建最大积网络深度解码器，使用最大积网络深度解码器对步骤三得到的分层抽象特征进行解码，然后将解码后的特征与步骤二输入和积网络深度编码器的句向量特征对比，通过测量L₁距离的方法计算重构误差，调整和积网络深度自动编码器参数使得重构误差最小，最后得到最优的和积网络深度编码器，并由它获得句向量的最优分层抽象特征，使用最大积网络深度解码器对分层抽象特征进行解码的方法比现有的深度解码器的解码过程具有更优的特征还原性与更快的解码速度。

5.根据权利要求1所述的一种基于和积网络深度自动编码器的短文本情感分析方法，其特征在于：所述步骤五中利用步骤四得到的最优分层抽象特征进行和积网络的在线结构学习算法得到一个和积网络模型，使用少量带标签的短文本数据有监督微调和积网络模型，使用和积网络在线参数学习算法训练网络参数，训练好和积网络模型网络参数之后，输入短文本测试数据，利用和积网络的最大后验概率MAP推理方法，可对输入的测试数据进行情感预测，和积网络深度自动编码器分类层采用和积网络模型对测试数据进行情感分析比现有深度自动编码器分类层采用支持向量机进行情感分析能得到更高的分类准确率和更好的模型鲁棒性。