[发明专利]标签嵌入的微博文本情绪多标签分类方法

权利要求书

1.一种基于标签嵌入的微博文本情绪多标签分类方法，包括以下步骤：

步骤1：对文本语料库进行预处理，

步骤2：将预处理后的数据进行基于欧式距离及海明损失信息的标签嵌入，

步骤3：提取微博文本特征并表示，

步骤4：训练将标签从原始标签空间中映射到嵌入空间的编码器，学习出标签嵌入函数，

步骤5：训练从文本特征空间映射到嵌入空间的分析器，

步骤6：结合分析器及解码映射关系对文本进行情绪多标签分类预测；

其中，所述标签嵌入包括以下步骤：

a.从所有语句标签中选出具有代表性的标签，得到标签矩阵Y，

b.通过标签矩阵Y中所有标签两两之间的海明损失函数得到代价矩阵C，

c.通过计算矩阵Y中所有标签两两之间的欧式距离得到距离矩阵D，

d.需要进行嵌入的信息用diff表示，其分解模型如下：

diff＝D+δ(C) (1)

其中δ()表示一个单调函数，其目的是为了将标签间的代价信息进行放大或缩小，

e.采用多维定标算法进行标签嵌入。

2.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：将文本语料库中的文本情绪分为Anxiety、Surprise、Sorrow、Love、Joy、Hate、Anger、Expect八种情绪。

3.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：所述步骤1对微博文本语料库进行预处理，包括分词及去除停用词操作。

4.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：所述步骤2采用标签空间维度归约类的标签嵌入算法，使得嵌入标签在嵌入空间中的距离与原始标签间距离相似。

5.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：所述步骤3通过提取微博文本特征，并结合向量空间模型将文本向量化表示。

6.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：所述步骤4训练情绪多标签编码器，将标签从原始标签空间中映射到嵌入空间中，并得到其嵌入函数表达。

7.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：所述步骤5训练从文本特征空间映射到嵌入空间的分析器。

8.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：所述步骤6结合分析器及解码映射关系对文本进行情绪多标签分类预测。

9.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：其中情绪多标签编码器的损失函数如下：

其中，J(W,b,x,y)代表损失函数。

10.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：其中文本特征提取流程如下：

a.对文本语句进行分词处理，将语句转化为一系列词的序列，

b.剔除所有分词中无实际意义的词及符号，

c.加载词向量训练工具，并设置相应参数，

d.利用训练工具训练词向量模型并格式化输出词向量。

11.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：其中文本特征提取中还使用keras提供的嵌入层并结合词典模型进行文本特征提取及表示，首先根据训练好的词向量模型构建相应词典，使得每个词都有一个相应的索引值，然后将每个待表示文本表示为该一个指定维度的索引列表，接着构建一个指定文本长度及字典长度的嵌入层，并将所有词向量依次作为嵌入层的权重。

12.根据权利要求1所述的微博文本情绪多标签分类方法，其特征在于：其中多维定标流程如下：

a.构造矩阵

b.构造矩阵B＝(b_ij),其中

c.求解B的特征值并从大到小排列，使得λ₁≥λ₂≥...≥λ_i

d.计算贡献率a_1,m和a_2,m，其中：

e.定义表示矩阵B中对应于特征值λ₁,λ₂,...,λ_m的正交变换向量，使得令则的行向量则为所求解。