[发明专利]一种电影评论情感分析模型及装置

权利要求书

1.一种电影评论情感分析模型，其特征在于，包括以下算法流程：

步骤一：CNN网络模块，卷积神经网络(CNN)包含了一个可以计算卷积，包括输入层、卷积层、池化层和全连接层；

步骤二：RNN网络模块，循环神经网络的输入数据的往往是以序列的形式出现，对于数据读取方式则是采取了递进读取，网络中的相关节点是以链接式递归神经网络进行排列；

步骤三：LSTM网络模块，在LSTM的网络构造中，使用复杂的非线性单元堆叠，从而构造深层次网络，解决传统RNN网络中的梯度消失和爆炸问题；

步骤四：GRU网络，GRU作为循环神经网络的变形网络，在具体时序性任务问题中，着重解决了在网络的反向传播中对于序列的输入问题核梯度消失问题的解决；

步骤五：LSTM-Attention网络，对LSTM模型进行改进，引入Attention注意力机制，设计LSTM-Attention模型。

2.根据权利要求1所述的一种电影评论情感分析模型，其特征在于，所述步骤一中：

输入层，不同维度的卷积神经网络的输入层的数据维度分为三种不同维度的输入数据形式，输入数据既可以低维的数据也可以是高维的数据；

卷积层卷，积核中定期扫描输入的数据，并且对于输入的数据进行特征提取，提取后的特征与“感受野”的信息数据相乘，最终求得叠加偏差；

池化层，主要负责对于数据特征的提取，通过预置的汇聚函数，用相邻区域的统计处理结果代替特征图中单点处理的结果，进一步提取信息特征和提取最重要的特征；池化层由三个部分组成：池区大小、步长和填充控制，其中最大池化法的作用是提取输入数据的映射后的特征向量中，特征最为显著的特征向量，通过特征维度的映射，提取特征值；

全连接层，对应着前馈网络中的模拟层，并且实现了隐藏层的对应功能，卷积神经网络自身具有隐藏层，完全连接层则被设置在卷积神经网络的隐藏层之后，紧跟着相连，全连接层里的信息数据只向与之不对应的全连接层输入。

3.根据权利要求1所述的一种电影评论情感分析模型，其特征在于，所述步骤三：LSTM网络模块通过引入“门”函数实现对于句子历史性信息的选择记忆，通过三个形象的步骤“遗忘”，“保留”和“输出”，控制序列信息。

4.一种电影评论情感分析装置，其特征在于，包括权利要求1-3任一项用于电影评论情感的分析模型。