[发明专利]一种基于情感分析的数据驱动神经网络架构系统

说明书

本发明涉及卷积神经网络在情感分析的应用领域，具体涉及一种基于情感分析的数据驱动神经网络架构系统，包括如下模块：嵌入层模块、特征卷积层模块、最大池化层模块、致密层模块，所述嵌入层模块为整个系统模块的输入；所述特征卷积层模块用于特征提取；所述最大池化层模块保留文本中词语组合的局部信息；所述致密层模块根据每一个特征节点手里握着一定的权重来决定输入是属于哪个分类。

技术领域

本发明涉及卷积神经网络在情感分析的应用领域，具体涉及一种基于情感分析的数据驱动神经网络架构系统。

背景技术

卷积神经网络在情感分析的应用中，当计算量小的情况下，取得了很好的效果，但是神经网络模型通常需要大量的数据，需要较大的训练样本集，而且在使用不同类型的网络时，很难找到最优的超参数设置或设计选择。

现有技术存在的问题或者缺陷：卷积神经网络在构建网络架构时，很难找到足够的数据来提供这些网络，优化它们的参数，并做出正确的设计选择。

发明内容

针对上述难以找到足够数据的问题，本发明提供了一种基于情感分析的数据驱动神经网络架构系统。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于情感分析的数据驱动神经网络架构系统，包括下列模块：嵌入层模块、特征卷积层模块、最大池化层模块、致密层模块，各模块之间以并列的方式通信连接，所述嵌入层模块为整个系统模块的输入；所述特征卷积层模块用于特征提取；所述最大池化层模块保留文本中词语组合的局部信息；所述致密层模块根据每一个特征节点手里握着一定的权重来决定输入是属于哪个分类。

所述嵌入层模块中，为每个文本文档创建或查找单词嵌入表示，然后在训练期间使用神经网络对它们进行调整，利用由大文本语料库创建的预训练词向量。

所述特征卷积层模块中，将其中不同的层并行地用于提取单词、2gram、3gram和更长的特征，在每个层中应用固定数量为80个过滤器来产生特征映射。

所述最大池化层模块中，对数据进行子样本抽样，并为分类阶段选择最相关和最有效的特征，保留文本中词语组合的局部信息。

所述最大池化层模块中，通过在不同的数据集上用不同的值进行实验，生成的特征图的长度为特征映射被连接并推送到作为分类器工作的前馈层，采用0.1L2正则化规范和0.35退出率来缓解过拟合，再采用二元交叉ropy和Adam优化器计算损失和优化训练。

所述最大池化层模块中，将更深层次的网络结构D2与更大的训练数据集一起使用，通过一系列W并行卷积随滤波器尺寸的增大跟随，然后将区域r的最大池化层堆栈通过选择最相关的特征进行分类来减少特征图，将相同的卷积和最大池堆栈重复多次，形成一个总共有D个堆栈的网络，最后一个最大池层的输出是将使用的最后一组特性。

所述致密层模块中，调整集合区域大小以生成6到18个单元长的特征图，获得最佳分类分数。

有益效果：本申请通过对各种架构的的神经结构进行了一系列的实验确定了现阶段架构设计的最佳选择，从而产生高性能的情绪分析模型。与此同时还确定了相关的超参数设置和设计选择。其中过滤器长度为3的平行卷积通常足以捕获相关的文本特征。此外，最大池区域大小应该适应文本文档的长度，以产生最佳的特征图。当调整集合区域大小以生成长度为6到18的特征图时，可以获得最佳的分类分数。

附图说明

图1为本发明的系统流程图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。