[发明专利]基于隐私分组和情感识别的网络信息分析方法

权利要求书

1.基于隐私分组和情感识别的网络信息分析方法，其特征在于，包括如下步骤：

(1)获取大数据信道信息；

(2)对大数据信道信息进行预处理；

(3)将预处理后的大数据信道信息输入双向长短期记忆网络，进行特征提取，得到特征向量；

(4)将特征向量进行二次训练，得到基于多重注意力模型的Encoder-Decoder模型；

(5)将采集到的待识别大数据集进行预处理，输入已训练好的多重注意力模型的Encoder-Decoder模型中进行识别，得到识别后的大数据集；

(6)读取第i时间点接收的大数据集D_i；

(7)将大数据集D_i与上一个时间点接收的大数据集D_i-1进行推土机距离相似度计算；

(8)当推土机距离大于阈值τ，则对当前时间点的大数据集添加拉普拉斯噪声后进行直接发布，否则，执行步骤(9)；

(9)判断上一次大数据集发布是否为直接发布，如果是直接发布，则先对当前时间点的大数据集进行贪心分组，再进行发布；否则执行步骤(10)；

(10)用上一个时间点发布的噪声数据来代替当前时间点的大数据集进行直接发布。

2.根据权利要求1所述的基于隐私分组和情感识别的网络信息分析方法，其特征在于，所述的预处理包括：

对大数据的信道信息清洗，使用局部离群因子检测方法滤除异常值，若异常值大于1，则将该信道信息视为离群点去除，采用word2vec模型将清洗后的信道信息向量化，信道信息向量的矩阵维度为m×d，其中m是信道信息包含的单元数，d为每个单元的维度。

3.根据权利要求2所述的基于隐私分组和情感识别的网络信息分析方法，其特征在于，预处理后的大数据信道信息输入双向长短期记忆网络包括：

得到的信道信息信道信息向量作为双向长短期记忆网络的序列化输入，使模型分别从两个方向提取大数据信道信息的特征向量，把特征向量合并到双向长短期记忆网络单元中，设计三个方面门来控制分别被导入到输入门、遗忘门和输出门中的方面向量数量，最终获得每个时间点上的隐藏层状态和带有方面感知的信息整体表示。

4.根据权利要求3所述的基于隐私分组和情感识别的网络信息分析方法，其特征在于，所述的得到基于多重注意力模型的Encoder-Decoder模型包括：

在Encoder-Decoder模型中引入注意力机制，将双向长短期记忆网络输出的隐藏层状态与带有方面感知的信息相结合，并进行注意力操作，最终得到识别后的大数据集；针对不同方面的感知的信息经过全链接层和softmax函数后，输出经过隐私分类样本在每个情感分类上的概率，即可得到与不同方面相对应的情感极性。