【技术实现步骤摘要】
一种基于迁移学习的情感极性分析方法
本专利技术涉及一种基于迁移学习的情感极性分析方法,属于互联网与自然语言处理领域。
技术介绍
随着移动互联网技术的不断发展与进步,各大新闻媒体、普通民众越来越倾向于在社交网络发布对现实事件的观点和态度。情感极性分析是用自然语言处理的相关理论自动化的获取文本情感倾向或者情感类别的方法,具有极大的利用价值。目前国内外关于情感极性分析的研究已经取得了丰富的成果,对本专利技术的研究工作具有借鉴意义。现有的情感极性分析方法主要分为基于情感词典、基于机器学习、基于深度学习3种。基于情感词典的方法将专家知识引入到情感值的计算过程,适用于缺乏大规模预料的场景,但是存在需要不断扩充和移植性较差的缺点。基于机器学习的方法用监督学习的方式训练一个分类器,与基于情感词典的方法相比,机器学习方法建模简单,扩展性和移植性更好。但是机器学习方法需要高质量的标注数据集,会耗费一定的标注成本。基于深度学习的方法利用神经网络模型训练分类器。与基于情感词典和机器学习的方法相比,深度学习模型有更强的表达能力、取得了更好的分类指标。近年来,随着预训练语言模型的发展,基于深度学习的方式取得了更好的效果。然而考虑具体的应用场景,现有深度学习模型仍存在不足。首先,现有语言模型缺乏句子级预训练任务,导致模型的逻辑感知和语义表达能力仍有进步空间。另外,对于社交评论的情感分析而言,其内容往往具有简短、随意的特点,使得句子特征不密集、噪声多,导致情感极性分析模型的分类鲁棒性不够。针对当前深度学习模型存在的逻辑感知和语义表达 ...
【技术保护点】
1.一种基于迁移学习的情感极性分析方法,其特征在于,所述方法包括以下步骤:/n步骤1,构建句子对数据集,/n步骤2,训练文本排序模型,/n步骤3,参数迁移,/n步骤4,训练情感极性分析模型。/n
【技术特征摘要】
1.一种基于迁移学习的情感极性分析方法,其特征在于,所述方法包括以下步骤:
步骤1,构建句子对数据集,
步骤2,训练文本排序模型,
步骤3,参数迁移,
步骤4,训练情感极性分析模型。
2.根据权利要求1所述的基于迁移学习的情感极性分析方法,其特征在于,
步骤1,构建句子对数据集,具体如下,按照设定的比例将情感极性分析数据集中每个句子的词语位置扰乱,同时保留扰乱前的句子,每一组扰乱后的句子和正常语序的句子构成新数据集中的一条训练数据。
3.根据权利要求1所述的基于迁移学习的情感极性分析方法,其特征在于,
步骤2,训练文本排序模型,基于seq2seq的方式构建文本排序模型,首先将扰乱的句子作为模型输入,用编码器抽取出句子特征;然后逐字进行解码,根据当前时间步的解码特征预测输出文字;最后将模型输出与正常语序对应位置的文字作对比,基于交叉熵损失函数训练模型参数。
4.根据权利要求1所述的基于迁移学习的情感极性分析方法,其特征在于,
步骤3,参数迁移,具体如下,首先构建情感极性分析模型,并使用与文本排序模型相同的编码结构,然后将文本排序模型的编码参数、词向量参数迁移到情感极性分析模型中。
5.根据权利要求1所述的基于迁移学习的情感极性分析方法,其特征在于,步骤4,训练情感极性分析模型,基于情感极性分析数据集,首先输入评论文本,用编码器抽取句子特征,然后用卷积神经网络、循环神经网络、注意力机制进一步抽取句子的局部特征、整体特征、降噪后的最终特征;最后对特征分类。
6.根据权利要求1所述的基于迁移学习的情感极性分析方法,其特征在于,步骤2,训练文本排序模型,具体如下:
子步骤2-1,句子编码,用Bert提取文本编码特征,为便于描述,将模型相关符号的含义汇总到表1中,首先输入长为m的文本序列X=(token1,token2,…,tokenm),根据token在vocab中的索引idi提取token的编码Embi并计算出ei,用s表示整个句子构成的文本矩阵,ei和s的具体计算过程如公式(1)、(2)所示,其中position表示位置编码,segment表示段编码,
表1模型相关符号含义
ei=Bert(Embi+segmenti+postioni)(1)
s=(e1,e2,…,em)(2)
然后将s送入含有12层transformer序列的编码模型提取出最终的编码输出S,公式(3)中LN是层归一化操作,MSA是多头自注意力操作,以第z层为例,首先用MSA处理上一层的编码输出sz-1,然后经过残差和LN操作获得如公式(3)所示,最后用FFN对进行处理,并结合残差和LN获取层编码输出sz如公式(4)所示,FFN的计算过程如公式(5)所示,其中W1、b1、W2、b2均为模型可学习参数,
FFN(x)=max(0,xW1+b1)W2+b2(5)
子步骤2-2,句子解码,使用GRU作为解码网络的基本单元,...
【专利技术属性】
技术研发人员:杨鹏,任炳先,周华健,于晓潭,
申请(专利权)人:东南大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。