[发明专利]一种基于CNN-BiLSTM+attention模型的涉案新闻观点句情感分类方法

权利要求书

1.一种基于CNN-BiLSTM+attention模型的涉案新闻观点句情感分类方法，其特征在于：

所述CNN-BiLSTM+attention模型包括：词嵌入层、卷积层、池化层、BiLSTM层、Attention注意力层、Softmax分类层；

所述词嵌入层是用来将句子的词转成低维词向量，所述卷积层是用来自动化抽取词特征，所述池化层是用来降低特征向量维度，所述BiLSTM层是用来记忆长时依赖的序列化信息，所述Attention注意力层是用来权重矩阵强化重要的信息，所述Softmax分类层是用来分类得到概率最大的情感类别；

所述方法包括以下步骤：

步骤1：对案件相关新闻的观点句进行预处理，然后将所有词通过词嵌入层编码为词向量；

步骤2：将步骤1得到的词向量输入到卷积层，进行卷积操作，通过不同大小的卷积核来提取多种粒度的特征；

步骤3：将卷积后得到的特征向量输入到池化层进行最大池化操作，即进行特征向量降维，提取重要的特征；

步骤4：将最大池化后得到的特征向量输入到BiLSTM层，通过两个方向的LSTM单元获取句子中的语义信息；

步骤5：将BiLSTM层得到的每个隐藏状态向量进行Attention操作，“去伪存真”，专注于找到输入数据中显著的与当前输出相关的有用信息；

步骤6：将Attention操作得到的输出通过softmax分类层进行分类，得到目标情感类别概率，即观点句是积极情感或消极情感的概率。

2.根据权利要求1所述的基于CNN-BiLSTM+attention模型的涉案新闻观点句情感分类方法，其特征在于：步骤1中所述预处理是指：将构建好的涉案新闻观点句数据集后通过jieba进行分词，通过numpy、pandas等工具去除无用符号、更改数据格式；通过谷歌提供的bert预训练模型得到每个词的词向量，建立词向量映射表。

3.根据权利要求1所述的基于CNN-BiLSTM+attention模型的涉案新闻观点句情感分类方法，其特征在于：步骤2中，卷积层对词向量进行卷积，抽取高维特征，通过多个卷积核来抽取特征；所述卷积核为：f＝[f₁+f₂…f_n],则在卷积之后的特征为s＝[s₁+s₂+…s_l]；其中，

s_i＝g(∑f^T_k+1x^T_k+1+b)

g表示非线性激活函数，b是表示偏置项，使用不同的卷积核可以抽取到不同的特征。

4.根据权利要求1所述的基于CNN-BiLSTM+attention模型的涉案新闻观点句情感分类方法，其特征在于：步骤3中所述最大池化操作就是将通过卷积得到的高维特征向量进行降维，提取重要特征。