[发明专利]一种基于情感分析在线热点事件跟踪及分析的方法在审
申请号: | 201811454028.7 | 申请日: | 2018-11-30 |
公开(公告)号: | CN109582801A | 公开(公告)日: | 2019-04-05 |
发明(设计)人: | 孙华 | 申请(专利权)人: | 武汉推杰网络科技有限公司 |
主分类号: | G06F16/36 | 分类号: | G06F16/36;G06F17/27 |
代理公司: | 上海精晟知识产权代理有限公司 31253 | 代理人: | 冯子玲 |
地址: | 430000 湖北省武汉市*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 热点事件 情感分析 跟踪 原始文本 分析 文本 检索 分词处理模块 信息处理技术 用户操作模块 原始文本数据 关键词识别 关键词文本 输入关键词 准确度 词义 分词处理 分析系统 信息检索 智能识别 情感化 分词 局限 | ||
1.一种基于情感分析在线热点事件跟踪及分析的方法,其特征在于:具体包括以下步骤:
S1、首先人们可通过用户操作模块将需要分析的热点事件相关关键词的原始文本输入到整个分析系统内,然后通过原始文本分词处理模块对原始文本数据进行分词处理得到分词文本,之后利用特征向量构建和训练系统内的语义词向量训练模块和情感词向量训练模块分别对分词文本进行语义词向量和情感喜怒哀乐词向量训练,再利用特征向量构建和训练系统内的词典词向量构建模块和已有的情感词典大数据库进行词典词向量构建;
S2、然后系统处理模块可控制情感词向量处理系统内的初始输入词向量矩阵生成模块分别生成语义词向量、情感词向量和词典词向量的分词文本,从而得到三种类型初始输入词向量矩阵,再利用LSTM记忆网络处理单元捕获三种类型初始输入词向量矩阵中每一单词的上下文语义,融入上下文信息,然后通过输出词向量矩阵生成模块处理后得到三种类型输出词向量矩阵,输出词向量矩阵能够消除单词歧义;
S3、利用CNN卷积神经网络提取单元并结合不同滤波长度的卷积核提取S2得到的三种类型输出词向量矩阵的局部特征,之后系统处理模块可控制注意力机制提取系统内的长短时记忆网络注意力机制模块、注意力采样模块和注意力向量提取模块分别提取输出语义词向量矩阵和输出词向量矩阵的全局特征;
S4、利用目标函数参数训练模块分别将局部特征和全局特征对多模一致回归目标函数进行参数训练,求得多模一致回归最佳参数,从而完成根据文本进行情感识别;
S5、之后系统处理模块会控制注意力机制提取系统根据S4提取的全局特征和局部特征向联网信息数据库内检索与提取的全局特征相关的热点事件数据信息;
S6、之后系统处理模块可控制热点事件实时跟踪模块对S5检索到的热点事件相关的数据信息进行实时跟踪,同时系统处理模块可控制热点事件分析单元对跟踪的热点事件相关的数据信息进行分析,并将分析结果通过分析结果打印单元打印出分析报告表,来供人们进行查阅和分析。
2.根据权利要求1所述的一种基于情感分析在线热点事件跟踪及分析的方法,其特征在于:所述系统处理模块与特征向量构建和训练系统实现双向连接,且特征向量构建和训练系统包括语义词向量训练模块、情感词向量训练模块和词典词向量构建模块。
3.根据权利要求1所述的一种基于情感分析在线热点事件跟踪及分析的方法,其特征在于:所述系统处理模块分别与情感词向量处理系统、CNN卷积神经网络提取单元和注意力机制提取系统实现双向连接。
4.根据权利要求1所述的一种基于情感分析在线热点事件跟踪及分析的方法,其特征在于:所述情感词向量处理系统包括初始输入词向量矩阵生成模块、LSTM记忆网络处理模块和输出词向量矩阵生成模块,所述初始输入词向量矩阵生成模块的输出端与LSTM记忆网络处理模块的输入端连接,且LSTM记忆网络处理模块的输出端与输出词向量矩阵生成模块的输入端连接。
5.根据权利要求1所述的一种基于情感分析在线热点事件跟踪及分析的方法,其特征在于:所述注意力机制提取系统包括长短时记忆网络注意力机制模块、注意力采样模块和注意力向量提取模块,所述长短时记忆网络注意力机制模块的输出端与注意力采集模块的输入端连接,且注意力采样模块的输出端与注意力向量提取模块的输入端连接。
6.根据权利要求1所述的一种基于情感分析在线热点事件跟踪及分析的方法,其特征在于:所述系统处理模块分贝与原始文本分词处理模块、热点事件实时跟踪模块和热点事件分析单元实现双向连接,且系统处理模块的输出端与分析结果打印单元的输入端连接。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉推杰网络科技有限公司,未经武汉推杰网络科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811454028.7/1.html,转载请声明来源钻瓜专利网。