[发明专利]文本情感处理方法

权利要求书

1.一种文本情感处理方法，其特征在于，包括：

获取句子文本；

卷积通道CNN针对所述句子文本进行局部信息抽取，并将抽取的信息进行全连接表达，得到第一处理结果；

将所述句子文本进行映射处理，得到映射结果，长短期记忆通道LSTM对所述映射结果进行处理，得到第二处理结果；

将所述第一处理结果与所述第二处理结果进行几何拼接，将拼接之后的结果做分类回归计算。

2.根据权利要求1所述的方法，其特征在于，所述将所述句子文本进行映射处理包括：

将所述句子文本进行word2vec的高维映射。

3.根据权利要求1所述的方法，其特征在于，所述LSTM对所述映射结果进行处理包括：

所述LSTM将所述映射结果进行循环计算并将计算的结果的最后一个LSTM单元的隐含层输出作为核心特征；

针对该特征与全局的特征进行注意力机制attention计算，attention可以针对每个词的hidden进行权重计算，得到权重的值；

根据所述权重的值，将每个单元的隐含层hidden输出进行加权平均计算，得到计算值；

将所述计算值与LSTM最后一个单元的输出做融合。

4.根据权利要求3所述的方法，其特征在于，选取LSTM的最后一个单元的隐含层节点作为句子的全局信息抽取和表达。

5.根据权利要求1所述的方法，其特征在于，所述将所述第一处理结果与所述第二处理结果进行几何拼接，将拼接之后的结果做分类回归计算包括：

将所述全连接后映射到具体任务task的分类维度，所述CNN及所述LSTM模型训练的过程中，采用对结果的误差进行所述CNN及所述LSTM的并行反向调整网络。

6.根据权利要求1所述的方法，其特征在于，所述CNN针对所述句子文本进行局部信息抽取，并将抽取的信息进行全连接表达包括：

CNN在局部信息抽取时，采用多尺寸卷积核的卷积操作，不同大小的卷积核表示抽取局部信息的上下文N元词N-Gram的特征。

7.根据权利要求6所述的方法，其特征在于，采用卷积的窗口大小为2和/或3和/或4。

8.根据权利要求6所述的方法，其特征在于，抽取局部信息时抽取二元词，三元词，四元词的信息融合。