[发明专利]文本情感分类方法、装置、电子设备及可读存储介质

权利要求书

1.一种文本情感分类方法，其特征在于，用于通过双向循环神经网络Bi-LSTM模型对文本进行情感分类，所述Bi-LSTM模型包括：第一Bi-LSTM层、第二Bi-LSTM层以及分类层，所述方法包括：

获取待分类的目标文本中的目标关键词对应的目标词向量；

将所述目标词向量输入到所述第一Bi-LSTM层，通过所述第一Bi-LSTM层对所述目标词向量的句法特征进行提取，输出表征所述句法特征的目标句法特征向量，其中，所述句法特征用于表征所述目标关键词在所述目标文本中的上下文信息；

通过所述第二Bi-LSTM层对所述目标句法特征向量的语义特征进行提取，输出表征所述语义特征的目标语义特征向量，其中，所述语义特征用于表征所述目标关键词在所述目标文本中的语义信息；

通过所述分类层基于所述目标词向量、所述目标句法特征向量以及所述目标语义特征向量确定所述目标文本对应的情感类别。

2.根据权利要求1所述的方法，其特征在于，所述通过所述分类层基于所述目标词向量、所述目标句法特征向量以及所述目标语义特征向量确定所述目标文本对应的情感类别，包括：

通过所述分类层将所述目标词向量、所述目标句法特征向量以及所述目标语义特征向量进行加权，获得加权向量；

通过所述分类层基于所述加权向量预测所述目标文本对应的各个情感类别的概率值；

通过所述分类层根据所述目标文本对应的各个情感类别的概率值确定所述目标文本对应的情感类别。

3.根据权利要求2所述的方法，其特征在于，所述通过所述分类层根据所述目标文本对应的各个情感类别的概率值确定所述目标文本对应的情感类别，包括：

通过所述分类层将所述目标文本对应的各个情感类别的概率值中概率值最大的情感类别确定为所述目标文本对应的情感类别。

4.根据权利要求1所述的方法，其特征在于，所述将所述目标词向量输入到所述第一Bi-LSTM层，通过所述第一Bi-LSTM层对所述目标词向量的句法特征进行提取，输出表征所述句法特征的目标句法特征向量，包括：

基于当前时刻输入的所述目标词向量与上一时刻所述第一Bi-LSTM层的Bi-LSTM单元的隐含层输出的目标句法特征向量通过sigmoid函数计算获得遗忘门的输出值；

基于当前时刻输入的所述目标词向量与上一时刻所述第一Bi-LSTM层的Bi-LSTM单元的隐含层输出的目标句法特征向量通过sigmoid函数计算获得输入门的输出值；

基于当前时刻输入的所述目标词向量与上一时刻所述第一Bi-LSTM层的Bi-LSTM单元的隐含层输出的目标句法特征向量通过tanh函数计算获得临时Bi-LSTM单元细胞状态的值；

基于所述遗忘门的输出值、所述输入门的输出值、所述临时Bi-LSTM单元细胞状态的值以及上一时刻Bi-LSTM单元细胞状态的值计算获得当前时刻Bi-LSTM单元细胞状态的值；

根据上一时刻隐含状态值，当前时刻输入的所述目标词向量以及所述当前时刻Bi-LSTM单元细胞状态的值获得当前时刻隐含状态的输出向量；

根据各个时刻隐含状态的输出向量获得所述第一Bi-LSTM层中的前向LSTM网络的输出向量；

根据各个时刻隐含状态的输出向量获得所述第一Bi-LSTM层中的后向LSTM网络的输出向量；

将所述第一Bi-LSTM层中的前向LSTM网络的输出向量与所述后向LSTM网络的输出向量进行拼接，获得所述第一Bi-LSTM层输出的目标句法特征向量。

5.根据权利要求1所述的方法，其特征在于，所述获取待分类的目标文本中的目标关键词对应的词向量之前，所述方法还包括：

获取多个训练文本，每个训练文本包括训练关键词，每个训练文本标注有对应的情感类别；

将所述训练关键词对应的词向量作为所述Bi-LSTM模型的输入，将所述每个训练文本标注的情感类别作为所述Bi-LSTM模型的输出，对所述Bi-LSTM模型进行训练，获得训练好的所述Bi-LSTM模型。