[发明专利]文本情感分类方法、存储介质及计算机

权利要求书

1.一种文本情感分类方法，其特征在于，包括如下步骤，对输入文本进行情感词典构建，所述情感词典构建步骤包括词性选择表达、底层特征向量提取；中层特征提取，结合所述情感词典，采集训练样本的词向量，对训练样本的词向量进行池化后得到中层特征向量；对所述底层特征向量、中层特征向量进行加权融合，得到融合特征向量，分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。

2.根据权利要求1所述的文本情感分类方法，其特征在于，所述底层向量提取具体为，对底层特征使用向量空间模型进行表达，其中每一维的特征为归一化后的TF-TDF权重。

3.根据权利要求1所述的文本情感分类方法，其特征在于，底层特征向量、中层特征向量加权融合表达为，

∂L||(1-∂)M]]>

其中，L表示底层特征向量，M表示为中层特征向量，为底层特征的权重，||表示的是串联的符号。

4.根据权利要求1所述的文本情感分类方法，其特征在于，所述对词向量进行池化具体步骤后包括，将底层特征向量的维度数等分为若干份，将每一份维度中的词向量进行求和，再将求和结果按先后顺序对求和结果进行合并。

5.一种文本情感分类存储介质，存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如下步骤，对输入文本进行情感词典构建，所述情感词典构建步骤包括词性选择表达、底层特征向量提取；中层特征提取，结合所述情感词典，采集训练样本的词向量，对训练样本的词向量进行池化后得到中层特征向量；对所述底层特征向量、中层特征向量进行加权融合，得到融合特征向量，分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。

6.根据权利要求5所述的文本情感分类存储介质，其特征在于，所述底层向量提取具体为，对底层特征使用向量空间模型进行表达，其中每一维的特征为归一化后的TF-TDF权重。

7.根据权利要求5所述的文本情感分类存储介质，其特征在于，底层特征向量、中层特征向量加权融合表达为，

∂L||(1-∂)M]]>

其中，L表示底层特征向量，M表示为中层特征向量，为底层特征的权重，||表示的是串联的符号。

8.根据权利要求5所述的文本情感分类存储介质，其特征在于，所述对词向量进行池化具体步骤还包括，将底层特征向量的维度数等分为若干份，将每一份维度中的词向量进行求和，再将求和结果按先后顺序对求和结果进行合并。

9.一种计算机，其特征在于，所述计算机包括权利要求5-8任一项所述的存储介质。