[发明专利]一种基于特定领域情感词的文档级情感分析方法

说明书

本发明提供了一种基于特定领域情感词的文档级情感分析方法，按如下顺序进行：收集文档数据集，使用Skip‑gram词向量模型训练原型单词的集合，得到每个原型单词对应的词向量，并利用注意力机制对词向量进行重组，捕获词向量中非连续词之间的关系；分别使用非对称卷积神经网络和基于注意力机制的双向门循环神经网络对词和句子进行合成，形成文档向量特征；利用Skip‑gram词向量模型的领域情感词典，生成情感特征向量；最后，利用线性结合层将文档向量特征和情感特征向量相结合，形成有利于文档分类的文档特征。情感分析被广泛应用于产品分析、商品推荐、股票价格趋势预测等，本发明提供的方法能准确、高效地对文档进行情感分析，具有很大的商业价值。

技术领域

本发明涉及自然语言处理技术领域，具体涉及一种基于特定领域情感词的文档级情感分析方法。

背景技术

情感分析，也被称为观点挖掘或意见挖掘，是自然语言处理和统计语言学中的一个基本任务。情感分析对理解用户在社交网络或产品评论中产生的观点信息很重要，可以为商家和其他用户提供决策支持；在舆情监测中，可以及时了解民众对突发事件的态度，引导舆论趋势等，已经引起了来自工业界和学术界的广泛的注意力。情感分析按照粒度划分，分为词级、句子级、文档级。相比词级、句子级，文档级的情感分析需要考虑文档的整体结构(文档由句子组成，句子由词组成)，并且提取文档复杂的特征，使得这一研究变得复杂。现有的研究忽视了非连续词之间的关系，包括句法特征(有一定距离的短语结构)和语义特征(“its”指代的对象)；有的研究没有充分利用情感词典等先验知识，以丰富文档的情感特征，然而情感词典在情感分析任务中扮演着重要的角色，情感词是情感分析重要的基础，有必要建立一个准确、高覆盖率的情感词典，但相比特定领域词典，这些情感词典对于情感分析的性能较差，原因在于特定领域的情感术语可能不会在通用词典中出现，而且同一个术语在特定领域和通用词典中在不同的情形下含义也不同，因此，构建特定领域的情感词典很有必要。总结以往的研究发现，在为文档进行建模时，通常只考虑了文档表示或情感词典，没有将两者结合起来，使得提取的文档特征比较单一。

因此，为了高效地对文档进行情感分类，既要对词与句子进行建模以产生文档表示，又要考虑词的情感特征，充分利用线性结合层将这两部分有效结合，组合形成丰富的文档分类特征，是现在自然语言处理领域中一个亟需解决的关键技术问题。

发明内容

针对现有的文档级情感分析方法比较单一，为了能准确地对文档进行情感分析，本发明提供了一种基于特定领域情感词的文档级情感分析方法。

本发明采用以下的技术方案：

一种基于特定领域情感词的文档级情感分析方法，包括以下步骤：

步骤1：收集文档数据集，得到原型单词的集合，使用Skip-gram词向量模型训练原型单词的集合，得到每个原型单词对应的词向量，并利用注意力机制对词向量进行重组，以捕获词向量中非连续词之间的关系；

文档由句子组成，句子由词组成，利用非对称卷积神经网络对词进行合成，利用基于注意力机制的双向门循环神经网络对句子进行合成，最终形成文档向量特征；

步骤2：建立一种基于Skip-gram词向量模型的领域情感词典，以生成情感特征向量；

步骤3：利用线性结合层将步骤1得到的文档向量特征与步骤2生成的情感特征向量相结合形成文档特征，并且通过softmax函数接收文档张量，最后输出文档的情感类别。

优选地，步骤1中所述的文档数据集来源于学术研究中使用的语料数据。

优选地，所述步骤1中的注意力机制使用的是self-Attention机制，self-Attention机制能为每个词和句子建立一个上下文向量。

优选地，所述步骤1，具体实现包括以下子步骤：