【技术实现步骤摘要】
本专利技术涉及自然语言处理，特别是涉及一种网络舆情文本情感分析方法、系统、设备及存储介质。
技术介绍
1、网络舆情主要是通过网民在网上发表意见形成的，文本是大多数网民选择表达意见的最主要方式之一，因此对文本情感的分析至关重要。文本情况分析方法主要有基于情感词典的文本情感分析方法、基于机器学习的文本情感分析方法、基于深度学习的文本情感分析方法。
2、基于情感词典的文本情感分析方法：该方法可以解决一些简单场景的情感分析任务，具体效果取决于情感词典和句子的构造，但在现今社会中，语言用词多样新颖，词语含义不断发展，意味着情感词典需要不断扩充和修改，该类方法缺陷明显，工作量大。
3、基于机器学习的文本情感分析方法：该方法建立的情感分析模型主要利用计算机来进行学习，不需要再构建传统的情感词典。但该方法存在如下几个问题：一是特别依赖于特征工程，需要精心设计挑选高质量的特征向量表示，这需要领域专业知识和大量的时间和精力。二是对高维稀疏数据处理能力有限，数据中大部分特征都是零，导致算法难以捕捉有效的信息。三是传统机器学习算法对于噪声和异常值比较敏感，这可能导致算法的性能下降。四是语言不仅是由一个个词语组成，而且词与词之间存在上下文语义关系，传统的机器学习模型很难考虑语句的上下文语义信息。
4、基于深度学习的文本情感分析方法：得益于技术的进步，该方法近年来在文本情感分析领域取得了显著成就。不仅能够自动学习输入数据中的高级特征，更好地捕捉文本中的复杂语义和情感信息，而且大多深度学习模型支持端到端学习，无需手动设计特
技术实现思路
1、本专利技术的目的是提供一种网络舆情文本情感分析方法、系统、设备及存储介质，能够进一步提升网络舆情文本情感分析能力。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种网络舆情文本情感分析方法，包括：
4、获取网络舆情文本；
5、利用acba分析模型对所述网络舆情文本进行情感分类，得到文本情感分类结果；所述acba分析模型包括：依次连接的输入层、albert层、cnn+bilstm层、注意力层和输出层；所述cnn+bilstm层采用残差连接方式分别与所述albert层和所述注意力层连接；
6、其中，所述输入层用于输入所述网络舆情文本；所述albert层用于根据所述网络舆情文本确定初步词向量特征；所述cnn+bilstm层用于进一步提取文本特征信息，得到第一次更新后的词向量特征；所述注意力层用于利用注意力机制对第一次更新后的词向量特征进行再次更新，得到第二次更新后的词向量特征；所述输出层用于根据第二次更新后的词向量特征进行文本分类，得到文本情感分类结果。
7、可选地，所述利用acba分析模型对所述网络舆情文本进行情感分类，得到文本情感分类结果，具体包括：
8、将所述网络舆情文本输入所述acba模型，根据所述网络舆情文本确定初步词向量特征，对所述初步词向量特征再次进行融合提取，得到文本内局部的关键信息，以及进一步提取文本向前和向后的上下文信息，并对所述关键信息和所述上下文信息进行融合，得到第一次更新后的词向量特征，进而利用注意力机制对第一次更新后的词向量特征进行再次更新，并根据第二次更新后的词向量特征进行文本分类，得到文本情感分类结果。
9、可选地，所述初步词向量特征包括：词向量、位置向量和文本向量。
10、可选地，所述输出层是根据全连接层、dropout机制和sigmoid函数构建的。
11、可选地，所述acba分析模型的训练过程为：
12、获取训练数据；所述训练数据包括训练文本及对应的分类标签；
13、构建预训练模型；
14、将所述训练数据输入所述预训练模型，利用dropout机制进行模型训练，并将训练好的预训练模型确定为所述acba分析模型。
15、本专利技术还提供了一种网络舆情文本情感分析系统，包括：
16、文本采集模块，用于获取网络舆情文本；
17、情感分类模块，用于利用acba分析模型对所述网络舆情文本进行情感分类，得到文本情感分类结果；所述acba分析模型包括：依次连接的输入层、albert层、cnn+bilstm层、注意力层和输出层；所述cnn+bilstm层采用残差连接方式分别与所述albert层和所述注意力层连接；
18、其中，所述输入层用于输入所述网络舆情文本；所述albert层用于根据所述网络舆情文本确定初步词向量特征；所述cnn+bilstm层用于进一步提取文本特征信息，得到第一次更新后的词向量特征；所述注意力层用于利用注意力机制对第一次更新后的词向量特征进行再次更新，得到第二次更新后的词向量特征；所述输出层用于根据第二次更新后的词向量特征进行文本分类，得到文本情感分类结果。
19、本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的网络舆情文本情感分析方法。
20、本专利技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的网络舆情文本情感分析方法。
21、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
22、本专利技术公开了一种网络舆情文本情感分析方法、系统、设备及存储介质，所述方法包括获取网络舆情文本；利用acba分析模型对所述网络舆情文本进行情感分类，得到文本情感分类结果；所述acba分析模型包括：依次连接的输入层、albert层、cnn+bilstm层、注意力层和输出层；所述cnn+bilstm层采用残差连接方式分别与所述albert层和所述注意力层连接。本专利技术能够进一步提升网络舆情文本情感分析能力。
本文档来自技高网...【技术保护点】
1.一种网络舆情文本情感分析方法，其特征在于，包括：
2.根据权利要求1所述的网络舆情文本情感分析方法，其特征在于，所述利用ACBA分析模型对所述网络舆情文本进行情感分类，得到文本情感分类结果，具体包括：
3.根据权利要求1或2所述的网络舆情文本情感分析方法，其特征在于，所述初步词向量特征包括：词向量、位置向量和文本向量。
4.根据权利要求1所述的网络舆情文本情感分析方法，其特征在于，所述输出层是根据全连接层、Dropout机制和Sigmoid函数构建的。
5.根据权利要求1所述的网络舆情文本情感分析方法，其特征在于，所述ACBA分析模型的训练过程为：
6.一种网络舆情文本情感分析系统，其特征在于，包括：
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-5中任一项所述的网络舆情文本情感分析方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5
...【技术特征摘要】
1.一种网络舆情文本情感分析方法，其特征在于，包括：
2.根据权利要求1所述的网络舆情文本情感分析方法，其特征在于，所述利用acba分析模型对所述网络舆情文本进行情感分类，得到文本情感分类结果，具体包括：
3.根据权利要求1或2所述的网络舆情文本情感分析方法，其特征在于，所述初步词向量特征包括：词向量、位置向量和文本向量。
4.根据权利要求1所述的网络舆情文本情感分析方法，其特征在于，所述输出层是根据全连接层、dropout机制和sigmoid函数构建的。
5.根据...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
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。