[发明专利]基于语义特征强化的深度学习预警方法、系统及电子设备

权利要求书

1.一种基于语义特征强化的深度学习预警方法，其特征在于，包括：

获取训练语料集；

对训练语料集进行分词处理得到训练语料集的分词文本；

获取预先训练好的文本词向量，将所述文本词向量作为textcnn模型的词向量嵌入层；

通过关键词提取模型对训练语料集进行关键词特征提取，得到文本关键词；

对文本关键词进行词向量化得到关键词词向量化特征矩阵；

通过主题模型对训练语料集进行主题特征提取，得到文本主题词；

对文本主题词进行词向量化得到主题词词向量化特征矩阵；

通过预设情感词典对分词文本进行情感特征提取，得到文本情感词；

对文本情感词进行词向量化得到情感特征词词向量化矩阵；

将关键词词词向量化特征矩阵、主题词词向量化特征矩阵和情感特征词词向量化矩阵作为textcnn模型的语义特征强化层；

将训练语料集输入由textcnn模型和xgboost模型构成的堆叠模型中进行训练，得到最优堆叠模型；

获取在线预测数据；

将所述在线预测数据输入最优堆叠模型中得到加强特征textcnn计算的类别权值和xgboost计算的类别权值；

根据预设情感词典，负面词的预设情感权值、正面词的预设情感权值、中性词的预设情感权值、反转词的预设情感正负方向权值和加强语气词的加强倍数权值得到文本情感计算的权值；

对文本情感计算的权值、加强特征textcnn计算的类别权值和xgboost计算的类别权值进行融合加权计算，得到最终类别权值；

根据最终类别权值进行类别判断，得到预警结果。

2.根据权利要求1所述的基于语义特征强化的深度学习预警方法，其特征在于，获取预先训练好的文本词向量的步骤中，包括：

获取训练词向量模型；

通过训练词向量模型对分词文本进行文本词向量化和语义特征迁移学习得到预先训练好的文本词向量。

3.根据权利要求1所述的基于语义特征强化的深度学习预警方法，其特征在于，通过关键词提取模型对训练语料集进行关键词特征提取，得到文本关键词的步骤中，包括：

通过关键词提取模型对训练语料集中的每篇文章分别进行关键词特征提取，得到每篇文章的关键词和所对应的关键词权重值；

按照每篇文章的关键词权重值分别对每篇文章中的关键词进行降序排列，得到每篇文章的排序关键词；

从每篇文章的排序关键词的起始位置开始，选取第一预设数量的排序关键词作为每篇文章所对应的核心关键词；

根据每篇文章的核心关键词得到训练语料集的文本关键词。

4.根据权利要求1所述的基于语义特征强化的深度学习预警方法，其特征在于，通过主题模型对训练语料集进行主题特征提取，得到文本主题词的步骤中，包括：

通过主题模型对训练语料集中的每篇文章分别进行主题特征提取，得到每篇文章的主题词和所对应的主题词权重值；

按照每篇文章的主题词权重值分别对每篇文章中的主题词进行降序排列，得到每篇文章的排序主题词；

从每篇文章的排序主题词的起始位置开始，选取第二预设数量的排序主题词作为每篇文章所对应的核心主题词；

根据每篇文章的核心主题词得到训练语料集的文本主题词。

5.根据权利要求1所述的基于语义特征强化的深度学习预警方法，其特征在于，通过预设情感词典对分词文本进行情感特征提取，得到文本情感词的步骤中，包括：

通过预设情感词典对训练语料集中的每篇文章所对应的分词文本分别进行情感特征提取，得到每篇文章的情感词和所对应的情感词频次；

按照每篇文章的情感词频次分别对每篇文章中的情感词进行降序排列，得到每篇文章的排序情感词；

从每篇文章的排序情感词的起始位置开始，选取第三预设数量的排序情感词作为每篇文章所对应的核心情感词；

根据每篇文章的核心情感词得到训练语料集的文本情感词。