[发明专利]一种基于深度学习的对话文本情感分析方法

说明书

本发明公开了一种基于深度学习的对话文本情感分析方法，包括以下步骤：S1、对数据集进行标签归类划分；S2、对划分好的数据集进行归一化处理；S3、利用层次GRU模型对文本进行特征提取；S4、初始化GRU模型的训练参数；S5、训练GRU模型；S6、输入预测语句，得出训练结果。本发明提出一个基于层次GRU模型，底层为一个双向GRU模型对单句特征进行提取，上层双向GRU对上下文信息进行建模，获取句子间的交互特征；在双向GRU的隐藏层加入注意力机制，其输出与单个单词或者话语嵌入融合，强化每个词或话语在上下文嵌入中的信息。本发明使用预训练模型来获取单句文本特征，能较好的解决数据库规模较小的问题。

技术领域

本发明涉及文本分析领域，具体涉及一种基于深度学习的对话文本情感分析方法。

背景技术

情绪分析是一种从语言中提取和分析文字感情的工作，其最直接的目的是对其情绪趋势和预测做出判断。随着互联网的日益普及，人们在网上发表意见的方式也日益增多，因此，基于文本的情绪分析方法的研究显得尤为重要。当前，人们对文本情感的研究主要集中在淘宝评价、网站评论等用户评论上，而对于互动对话中的文字信息挖掘却很少。从数据量、用户层次、社会影响力等角度来看，交互文本具有不可忽略的价值，因此，基于对话文本进行情感分析具有重要的现实意义和潜在价值。

传统的情感分析重点分析文本中带有的评价态度，一般都是二分类，积极或消极，支持或反对，通常使用的文本分类方法，如支持向量机、卷积神经网络等，都可以应用于基于对话的文本中进行情绪分类。而传统文本分类方法不能根据上下文对情感，进而情感检测效果较差。

因此，如何设计出一种能够根据上下文来分析文本情感的方法是本领域技术人员亟需解决的问题。

发明内容

本发明提供一种基于深度学习的对话文本情感分析方法，提出一个基于层次GRU模型，底层为一个双向GRU模型对单句特征进行提取，上层双向GRU对上下文信息进行建模，获取句子间的交互特征；在双向GRU的隐藏层加入注意力机制，其输出与单个单词或者话语嵌入融合，强化每个词或话语在上下文嵌入中的信息，以解决上述问题。

本发明提供如下的技术方案：

一种基于深度学习的对话文本情感分析方法，是基于层次GRU情感分析算法，其具体操作步骤如下：

S1、对数据集进行标签归类划分；

S2、对划分好的数据集进行归一化处理；

S3、利用GRU模型对文本进行特征提取；

S4、初始化GRU模型的训练参数；

S5、训练GRU模型；

S6、输入预测语句，得出训练结果。

优选的，所述S1中，标签包括愤怒、快乐、悲伤和中立。

优选的，所述训练集、验证集和测试集均包括输入数据与输出数据。

优选的，所述S2中，归一化处理过程包括将单词的大写转换成小写，特殊词性还原为原形，并且去除非字母数字的符号，保留问号和感叹号；采用pad机制，补齐对话的长度，使对话长度保持一致。

优选的，所述S3中，特征提取过程包括单个话语信息提取、引入注意力机制和上下文信息提取。