[发明专利]基于门控深度记忆网络的电厂运行日志情感分析处理方法

说明书

本发明公开了基于门控深度记忆网络的电厂运行日志情感分析处理方法，该方法将门控深度记忆网络分为编码模块、记忆单元更新模块以及输出模块。首先，在编码模块利用GLOVE词嵌入技术计算输入文本的词向量表示，随后利用长短期记忆网络构建输入文本的外部记忆；随后在记忆单元更新模块，利用基于信息交互的注意力机制和长短期门控记忆单元更新网络计算出输入文最终的语义表示；最后将文本的予以表示输入到分类器中，在输出模块利用感知机和softmax函数求得输入文本情感极性。

技术领域

本发明涉及深度学习领域，尤其涉及情感分析领域，具体是指基于门控深度记忆网络的电厂运行日志情感分析处理方法。

背景技术

目前，情感分析已逐渐成为许多商业和社会应用的核心，情感分析是对文本中的观点和情绪进行评估与分类，情感分析属于自然语言处理领域的重要研究分支，是通过机器学习或深度学习等方法对文本所涉及的情感极性做出分类。利用情感分析技术对电厂运行日志进行情感极性推断，以此辅助相关从业人员快速定位问题。然而，由于运行日志的记录往往不够规范且电力行业专业性较强，这使得对电厂运行日志进行情感分析具有一定挑战性。因此，使用机器学习或深度学习构建情感分类模型来提升电厂运行日志情感分类准确性具有重要的意义和较强的利用价值。

发明内容

本发明的目的是提供了基于门控深度记忆网络的电厂运行日志情感分析处理方法，可以快速、高效的对电厂运行日志的记录内容进行情感分类，以此来辅助相关人员进行数据分析工作。

本发明为实现上述目的，通过以下技术方案实现：

基于门控深度记忆网络的电厂运行日志情感分析处理方法，包括以下步骤：

步骤1)：获取电厂运行日志并进行情感极性标注，得到标注的文本数据集；

步骤2)：利用步骤1)标注的文本数据集，通过GLOVE词嵌入技术将标注的文本数据集的每一个词映射成一个低维连续实数向量，即输入文本的词向量序列；

步骤3)：利用步骤2)生成的词向量序列作为输入，通过长短期记忆网络计算词向量序列的隐状态，即该长短期记忆网络在编码模块所构建的外部记忆；

步骤4)：利用步骤3)所构建的外部记忆，同时初始化一个记忆单元，将二者作为输入，利用基于信息交互的注意力机制计算出外部记忆与记忆单元的注意力表示；

步骤5)：利用步骤4)计算的外部记忆与记忆单元的注意力表示，将其与上一层记忆单元输入到多层长短期记忆网络中，利用长短期记忆网络的门控机制对记忆单元进行更新，直到最后一层计算完毕，此时更新完毕的记忆单元即为输入文本的最终语义表示；

步骤6)：利用步骤5)所计算的输入文本的最终语义表示，将其输入到一个由感知机和softmax函数组成的情感分类器中，预测输入文本的情感极性。

步骤2)使用GLOVE词嵌入技术计算输入文本中每一个词的向量表示，由于GLOVE词嵌入方法在获得每一个词全局统计信息的同时也考虑到该词的上下文语境信息，因此，使用GLOVE词嵌入技术能更好的表达词的语义信息。

在步骤3)中，利用长短期记忆网络计算词向量序列的隐状态，即该长短期记忆网络在编码模块所构建的外部记忆，由于长短期记忆网络能够有效控制信息流的通过程度，因此使得所构建的外部记忆中包含更多与情感表达有关的信息；长短期记忆网络数学表达式具体如下：

f_t＝σ(W_f·[h_t-1,g_t]+b_f)

i_t＝σ(W_i·[h_t-1,g_t]+b_i)