[发明专利]一种电影评论情感分析模型及装置

说明书

本发明属于数据分析技术领域，具体为一种电影评论情感分析模型及装置，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；本发明提出的算法在引入的注意力机制之后，在验证集上效果提升显著，最高的准确率达到94％左右，测试集则在93％左右，召回率，F1均值也有所提升，LSTM‑Attention模型也在一定程度上提升了在中评和差评和处的准确率，从混淆矩阵的输出结果也可以看出，LSTM‑Attention模型对于中评性能的具有一定的提升。

技术领域

本发明涉及数据分析技术领域，具体为一种电影评论情感分析模型及装置。

背景技术

随着改革开放的脚步不断向前大步迈进深化发展，文化领域得到了空前的发展，其中电影领域的发展尤为瞩目，创作数量陡增，类型众多。与此同时伴随着互联网的发展，越来越多的视频网站、电影购票平台、影评平台出现的推动也功不可没。大量电影评论的出现，为研究电影评论情感走向提供了大量文本数据。

情感分析通过对文本信息分别采用定性和定量两种不同分析手段，对于用户的评论做出情感趋向预测识别。大量出现的电影评论文本为文本情感分类提供了可靠的数据集来源。对于电影市场不断扩大的趋向，市场需要对观众对交换观影反馈做出情感分析以助于电影的宣传和进一步推广。由此可见，电影评论的情感分析对于分析电影市场走向有着极为极为重要指导作用。

由于电影评论数据广泛的存在于互联网电影视频平台，但是由于电影评论往往呈现出缺失统一的标准化发表模式，因此电影评论的结构往往缺乏一定的统一规定，大量的未经处理过的原始非规则的语料充斥网络，因此在对电影评论数据集进行情感分析前，需要对相关数据集进行处理。

传统的深度学习在情感分析领域的应用往往具有局限性，CNN网络模型需要大量的数据集作为支撑，发挥作用的领域也集中在CV领域；RNN存在着梯度爆炸现象，即使提出了LSTM和GRU等相关变体，对于长句的上下文时序性的特征抓取能力仍有不足，参数的过多也加重了计算力的消耗。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有电影评论情感分析中存在的问题，提出了本发明。

因此，本发明的目的是提供一种电影评论情感分析模型及装置，能够解决传统深度学习算法在情感分析中的不足之处，获得了较好的效果。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种电影评论情感分析模型及装置，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。