[发明专利]文本情感分类方法、装置、设备和存储介质

说明书

本发明提供一种文本情感分类方法、装置、设备和存储介质。该方法包括：获取待处理的文本数据中的词向量，并提取所述词向量对应的特征向量；采用双向长短时记忆网络Bi‑LSTM模型对所述特征向量提取上下文特征表示；根据提取的所述上下文特征表示的基础上利用Attention机制然后引入了top‑k‑max pooling池化处理方式来充分提取文本特征表示，将提取出的特征送入分类器以获得更高的准确率。本发明实施例的方法提高了文本情感分类的分类准确性，分类效果较好。

技术领域

本发明涉及计算机技术领域，尤其涉及一种文本情感分类方法、装置、设备和存储介质。

背景技术

随着互联网的发展及互联网用户的增多，网络用户在互联网上产生了大量的文本信息，比如对某商品、电影、店铺等的评论，如何从这些文本中挖掘出有用信息不仅对商家、消费者等都有益处。因此，文本情感倾向性分析变得尤为重要，文本情感倾向性分析(即文本情感分类)是自然语言处理(Natural Language Processing，简称NLP)领域的一个分支，传统的文本情感分类主要有：基于情感字典的文本情感分类方法和基于机器学习的文本情感分类方法，上述两种方法并没有考虑词语的上下文信息或文本的语序问题并且需要大量的人力去提取文本特征，可能不能更深层次的提取文本中重要的特征。

近几年随着深度学习技术的发展，提出了递归神经网络(Recurrent NeuralNetwork，简称RNN)和卷积神经网络(Convolutional Neural Network，简称CNN)模型，CNN模型主要是利用卷积层和降采样层进行特征提取，RNN模型是使当前节点(或前几个节点)的状态可以影响下一个节点的状态，并将最后一个节点的状态作为特征，但上述模型在进行文本情感分类效果较差。

发明内容

本发明提供一种文本情感分类方法、装置、设备和存储介质，以提高文本情感分类效果。

第一方面，本发明提供一种文本情感分类方法，包括：

获取待处理的文本数据中的词向量，并使用卷积操作提取所述词向量对应的特征向量；

采用双向长短时记忆网络Bi-LSTM模型对所述特征向量提取上下文特征表示；

根据提取的所述上下文特征表示，确定所述上下文特征表示对应的语义编码；

对所述上下文特征表示对应的语义编码进行最大池化处理，并将最大池化处理后的多个语义编码进行拼接，得到拼接后的特征表示；

对所述拼接后的特征表示进行分类处理，获取所述文本数据对应的情感类别。

第二方面，本发明提供一种文本情感分类装置，包括：

提取模块，用于获取待处理的文本数据中的词向量，并提取所述词向量对应的特征向量；

所述提取模块，还用于采用双向长短时记忆网络Bi-LSTM模型对所述特征向量提取上下文特征表示；

确定模块，用于根据提取的所述上下文特征表示，确定所述上下文特征表示对应的语义编码；

处理模块，用于对所述上下文特征表示对应的语义编码进行最大池化处理，并将最大池化处理后的多个语义编码进行拼接，得到拼接后的特征表示；

对拼接后的特征表示进行分类处理，获取所述文本数据对应的情感类别。

第三方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。

第四方面，本发明实施例提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；