买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：无锡学院

摘要：本发明公开了一种用于多领域的文本情感分类方法，包括：获取目标领域带标签的文本数据并进行预处理，对词嵌入层进行训练，在ALBERT模型中嵌入用于文本主题信息提取的LDA模型，在LDA模型中融合K‑means聚类算法；将词向量序列输入至LDA模型中进行无监督训练，提取文本主题信息，得到“文档‑主题”分布的主题特征向量；将主题特征向量输入到K‑means聚类算法进行二次聚类后，使用余弦相似度输出最优的主题特征向量；通过吉布斯采样方法迭代抽样，LDA模型收敛后得到“主题‑词”分布和“评论‑主题”分布；对文本情感分类模型训练，将通过训练后的文本情感分类模型计算情感分类标签的情感概率，将情感概率最大的标签作为目标数据标签，从而实现跨领域的文本情感分类。

主权项：1.一种用于多领域的文本情感分类方法，其特征在于，包括以下步骤：S1：获取目标领域带标签的文本数据并进行预处理，对将预处理后的文本数据输入到文本情感分类模型预设的词嵌入层，利用词嵌入、段嵌入和位置嵌入将文本数据进行向量化处理，得到词向量序列，所述词向量序列为词向量、段向量、位置向量；所述文本情感分类模型由依次连接的词嵌入层、ALBERT模型、多任务层和分类器组成；S2：对词嵌入层进行训练，在ALBERT模型中嵌入用于文本主题信息提取的LDA模型，在LDA模型中融合K-means聚类算法；S3：将词向量序列输入至LDA模型中进行无监督训练，提取文本主题信息，得到“文档-主题”分布的主题特征向量；S4：将主题特征向量输入到K-means聚类算法进行二次聚类后，使用余弦相似度输出最优的主题特征向量；通过吉布斯采样方法迭代抽样，LDA模型收敛后得到“主题-词”分布和“评论-主题”分布；S5：对文本情感分类模型训练，将通过训练后的文本情感分类模型计算情感分类标签的情感概率，将情感概率最大的标签作为目标数据标签，从而实现跨领域的文本情感分类；其中，步骤S4具体为：将词向量序列输入至LDA模型中进行无监督训练，利用潜在迪利克雷分布提取样本向量的共同特征，得到中间变量，将LDA模型产生的中间变量输入到K-means聚类算法，给每组词向量分配一个可表示整组向量特征的主题特征向量；将主题特征向量与词嵌入层输出的词向量、段向量和位置向量融合，得到融合向量，将融合向量输入到ALBERT模型，输出余弦相似度，余弦相似度通过计算两个向量的夹角余弦值来评估相似度；余弦相似度将融合向量根据坐标值，绘制到向量二维空间；文本数据用表示，是评论的数量，是评论向量，符合“评论-主题”分布；每条评论分配给词的隐含主题份额为，每条评论含有个句子、个词语，每一个词都有一个潜在主题；是评论文本的词向量形式；是“主题-词”分布，K是主题的数量；和分别代表“评论-主题”和“主题-词”服从先验Dirichlet分布的超参数；“评论-主题”分布公式P为： 。

全文数据：

权利要求：

百度查询： 无锡学院 一种用于多领域的文本情感分类方法