[发明专利]一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法

说明书

为了缓解单词拼写错误、顺序错误以及情绪混合问题对最终把握评论整体情感得分的影响，可以有针对性地按顺序分步处理这些噪声和情绪混合问题，本发明设计一种综合深度胶囊网络分类模型，模拟人类阅读逻辑步骤，通过分别在单词层面、短语层面和句子层面捕获特征信息，对评论进行建模的方案，具体来说是将单词层面和短语层面的建模与拼错错误、词序错误等噪声问题对应，将句子层面的建模与情绪混合问题对应，也就是将每个短句子当作义群，动态考量不同义群对最终整体情感态度的影响。实现上可通过BERT WordPiece向量和卷积作为单词级别和短语级别特征，再用胶囊网络获取句子层面最终的向量表示来进行分类。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法。

背景技术

随着网络购物与消费成为当今社会主流生活方式之一，在互联网上对各种产品和服务进行评论成为人们发布自己对产品和服务满意度的一种方便且有效的途径，用户评论数据量爆炸式增长。如何把握这些评论文本中表现出来了用户态度和意向，对于产品和服务的改进、营销和推广都起着至关重要的作用。而这些用户自发填写的评论文本中往往存在拼写错误(或缩写)、单词顺序错误等噪声及正负情感态度混合表达的情况，给评论的整体情感得分的把握带来了挑战。

目前，文本整体情感分类的方法主要集中在深度学习模型上，包括以下几类：一种是使用如RNN和CNN的传统神经网络，RNNs能够捕获序列的长距离依赖，其最终捕获的信息侧重于序列的开始和结束，CNNs对单词的共现进行了建模，将n个单词串接成短语，并通过池化操作减少了特征数，使分类更加容易；另一种方法是使用语言模型，其预训练阶段在大型语料库上进行，大多使用预训练+微调的方式来处理下游任务；第三种深度学习方法是图模型，为文本及其结构关系构建具有全局共享参数的图，提供了在非欧几里得空间上表示和处理文本的思路

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

现有技术中的上述方法没有关注到网络评论文本的非正式性问题，忽略了真实文本中的噪声问题，使得它们在含有这类问题的复杂评论文本的整体情感分类上表现较差。

由此可知，现有技术中的方法存在分类效果较差的技术问题。

发明内容

本发明提出一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法，用于解决或者至少部分解决现有技术中的方法存在的分类效果较差的技术问题

为了解决上述技术问题，本发明提供了一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法，包括：

S1：从开源库中获取多个情感分类数据集；

S2：根据情感分类数据集中噪声和情绪混合的情况，选取出目标数据集，并将每个目标数据集划分为训练集和验证集；

S3：根据单词层面、短语层面以及句子层面之间的逻辑关系，设置与单词层面对应的向量模块、与短语层面对应的卷积模块以及与句子层面对应的胶囊网络模块，其中，向量模块、卷积模块以及胶囊网络模块构成综合深度胶囊网络分类模型，向量模块、卷积模块以及胶囊网络模块分别用于捕获单词层面、短语层面和句子层面的特征信息；

S4：将用作训练集的数据集输入综合深度胶囊网络分类模型，进行模型训练，当模型训练若干步后，交叉熵损失值的变化收敛到阈值之后，停止训练，再将验证集数据输入进训练得到的模型中，进行预测与评估，得到最终分类模型；

S5：利用最终分类模型对待分类文本进行分类。

在一种实施方式中，S1的数据集包括但不限于：Stanford Sentiment Treebank、Yelp、Amazon Reviews、SemEval以及Cornell movie reviews数据集。

在一种实施方式中，S2具体包括：