CN112765350A - 基于表情图和文本信息的微博评论情感分类方法 - Google Patents

Abstract

本发明属于微博评论情感分类领域，提出一种基于表情图和文本信息的微博评论情感分类方法，包括：首先，对微博评论进行预处理，并构建表情图加权网络，计算表情图的五维情感值，同时构建表情图情感描述词典，结合情感词典获得表情图向量，其中，每条微博评论至少包含一个表情图，且文本长度至少为5；其次，将微博评论中的文本句子和表情序列送入双向LSTM模型，获得文本句子表示和表情图表示；然后，结合文本句子表示和表情图表示学习得到微博评论最终嵌入，利用Softmax分类器对其进行情感分类。本发明能够有机地结合表情图和文本句子的信息，利用深度学习的双向LSTM模型进行微博评论情感分类，保证微博评论情感分类的准确性。

Description

基于表情图和文本信息的微博评论情感分类方法

技术领域

本发明涉及微博评论情感分类领域，特别涉及一种基于表情图和文本信息的微博评论情感分类方法。

背景技术

微博用户广泛使用表情图和文字信息，表达个人情感，表情图作为文字信息情感表达的重要补充，两者结合研究才能正确传达微博用户的真实情感。

情感分析的任务是从互联网上各种各样的评论数据中挖掘出用户的态度和情感倾向。通过情感分析系统，可以将非结构化信息转化成结构化信息。但是，表情图所表达的情感丰富，不便于挖掘和处理，传统的微博情感分析一般不考虑表情图蕴含的情感信息，情感分析准确率不够高。

随着深度学习技术的快速发展，神经网络模型广泛地运用于情感分析研究。基于深度学习模型强大的特征抽取能力，构建基于表情图和文本信息的深度学习情感分析方法具有广阔的应用前景，有利于获得较高分类准确度。

发明内容

本发明的目的是提供一种基于表情图和文本信息的微博评论情感分类方法，能够有机地结合表情图和文本句子的信息，利用深度学习的双向LSTM模型进行微博评论情感分类，保证微博评论情感分类的准确性。

本发明解决其技术问题，采用的技术方案是：

本发明提出一种基于表情图和文本信息的微博评论情感分类方法，包括如下步骤：

步骤1.对微博评论进行预处理，并构建表情图加权网络，计算表情图的五维情感值，同时构建表情图情感描述词典，结合情感词典获得表情图向量，其中，每条微博评论至少包含一个表情图，且文本长度至少为5；

步骤2.将微博评论中的文本句子和表情序列送入双向LSTM模型，获得文本句子表示和表情图表示；

步骤3.结合文本句子表示和表情图表示学习得到微博评论最终嵌入，利用Softmax分类器对其进行情感分类。

进一步的是，步骤1中：

首先，对每条微博评论进行处理，去除不含表情图，且文本长度少于5的微博评论，获得微博评论；

其次，构建表情图加权网络，其中，顶点为微博评论中的表情图，边上的权重为表情图之间的相似度；

然后，将表情图分为喜欢、开心、愤怒、悲伤和厌恶五维情感，对每个表情图建立五维向量，基于微博评论中表情图序列，得到表情图序列的情感矩阵；

最后，基于表情图五维情感，构建表情图的情感描述词典，结合表情序列的情感矩阵，得到表情图情感向量。

进一步的是，步骤1具体包括如下步骤：

步骤101.对获取的微博评论，去除不含表情图和文本长度小于5的微博评论，构建微博评论集，划分为微博评论句子集和表情图集；

步骤102.构建表情图加权网络，其中顶点为微博评论中的表情图，边上的权重为表情图之间的相似度；

步骤103.计算表情图的五维情感值；

步骤104.计算表情图集的初始情感矩阵和情感转移矩阵；

步骤105.利用Softmax函数，得到表情图集的最终情感矩阵；

步骤106.分别对喜欢、开心、愤怒、悲伤及厌恶进行情感描述词扩充，构建情感描述词词典；

步骤107.分别计算喜欢、开心、愤怒、悲伤及厌恶五类情感对应的最终情感向量；

步骤108.计算表情图向量。

进一步的是，步骤2具体包括如下步骤：

步骤201.利用Jieba分词工具得到每条微博评论的词序列，建立文本词典，进而获得文本嵌入矩阵；

步骤202.利用表情图情感向量，得到表情图嵌入矩阵；

步骤203.再将文本嵌入矩阵和表情图嵌入矩阵送入双向LSTM模型，获得文本句子表示和表情图表示。

进一步的是，步骤203具体包括如下步骤：

步骤2021.获得隐层向量与表情图序列嵌入之间的关系；

步骤2022.计算表情图与文本句子之间的相关程度；

步骤2023.计算表情图表示。

进一步的是，步骤3中具体包括如下步骤：

步骤301.结合文本句子表示和表情图表示学习得到微博评论最终嵌入；

步骤302.将最终嵌入送入到Softmax分类器中进行情感分类；

步骤303.利用Softmax分类器计算情感三分类分布；

步骤304.选择情感三分类分布中最大元素对应的情感类作为微博评论文本的情感极性；

步骤305.采用交叉熵对涉及的参数进行优化。

本发明的有益效果是，通过上述基于表情图和文本信息的微博评论情感分类方法，通过构建表情图加权网络和表情图描述词词典，获得表情图向量，能够增强了微博评论的情感信息，并且，有机地结合表情图和文本句子的信息，利用深度学习的双向LSTM模型进行微博评论情感分类，能够得到的文本句子表示和表情图表示具有更强的微博评论特征信息，另外，采用交叉熵函数对微博评论情感分类方法中涉及的参数进行优化，能够使得Softmax分类器所获得的情感分类更加准确。

附图说明

图1为本发明实施例中基于表情图和文本信息的微博评论情感分类方法的流程图；

图2为本发明实施例中基于表情图和文本信息的微博评论情感分类方法的整体架构图。

具体实施方式

下面结合附图及实施例，详细描述本发明的技术方案。

实施例

本发明实施例提出一种基于表情图和文本信息的微博评论情感分类方法，其流程图见图1，其中，该方法包括如下步骤：

S1.对微博评论进行预处理，并构建表情图加权网络，计算表情图的五维情感值，同时构建表情图情感描述词典，结合情感词典获得表情图向量，其中，每条微博评论至少包含一个表情图，且文本长度至少为5。

S2.将微博评论中的文本句子和表情序列送入双向LSTM模型，获得文本句子表示和表情图表示。

S3.结合文本句子表示和表情图表示学习得到微博评论最终嵌入，利用 Softmax分类器对其进行情感分类。

参见图2的整体结构图，其中，S1包括：

S1-1：对每条微博评论进行处理，去除不含表情图，文本长度少于5的微博评论，获得微博评论数据(含有表情图)。

S1-2：计算两个表情图的相似性，作为它们之间边的权重，构建表情图加权网络。

S1-3：基于心理学家Parrot的人类情感分类，将表情图分为喜欢、开心、愤怒、悲伤和厌恶五维情感，对每个表情图建立五维向量，考虑微博评论中表情图序列的影响，最终得到表情图序列的情感矩阵。

S1-4：基于表情图五维情感，构建表情图的情感描述词典，结合表情序列的情感矩阵，得到表情图情感向量。

具体实施过程中，本实施例的S1可按如下方式实现：

(1)对获取的微博评论，去除不含表情图和文本长度小于5的微博评论，构建微博评论数据集，划分为微博评论句子集C＝{c_i|1≤i≤n}和表情图集ES＝{e^j|1≤j≤m}，其中c_i表示C中的第i个评论，e^j表示ES中第j个表情图。

(2)构建表情图加权网络，其中顶点为微博评论中的表情图，边上的权重为表情图之间的相似度，计算e^j与e^k的相似度为：

其中，coN(e^j，e^k)和N(e^j)分别表示微博评论中同时包含表情图 e^j和e^k的评论数量和包含表情图e^j的评论数量。

(3)计算表情图的五维情感值，设表情图e^j的五维向量为：

其中，

代表第i情感程度，i为喜欢，开心，愤怒，悲伤和厌恶中的一种情感。

(4)计算表情图集的初始情感矩阵和情感转移矩阵：

(5)利用Softmax函数，得到表情图集的最终情感矩阵：

(6)分别对喜欢、开心、愤怒、悲伤、厌恶进行情感描述词扩充，构建情感描述词词典，设每类情感的描述词向量序列为 F_t＝(i_w1，i_w2，…，i_wp)∈R^d×p，其中t为五类情感中的一种。

(7)分别计算喜欢、开心、愤怒、悲伤、厌恶五类情感对应的最终情感向量：

其中，i_wj(kj)表示i_wj,的第k行的值，k＝1,2,…,d.因此，情感向量矩阵V＝[v₁，v₂，v₃v₄，v₅]。

(8)计算表情图向量：

其中，

表示

的第t维向量值。

需要指出的是，本实施例中，S2包括：

S2-1：利用Jieba分词工具得到每条微博评论的词序列，建立文本词典，进而获得文本嵌入矩阵。

S2-2：利用表情图情感向量，得到表情图嵌入矩阵。

S2-3：将文本嵌入矩阵和表情图嵌入矩阵送入双向LSTM模型，获得文本句子表示和表情图表示。

本实施例中，S2具体可按以下步骤实现：

(1)利用Jieba分词工具得到每条微博评论的词序列，建立文本词典，将微博评论中的文本句子对应的文本嵌入矩阵送入双向LSTM模型：

其中，c_t，h_t，x_t分别表示在t时间步时的记忆细胞，隐层状态和输出，当t＝n时，得到文本句子表示

(2)基于表情图向量，得到表情图序列嵌入矩阵，送入双向LSTM，获得表情图表示。

这里，首先，获得隐层向量与表情图序列嵌入之间的关系：

M＝tanh(EUH^T)

其中，

表示表情图序列嵌入(由表情图向量得到)，

表示双向LSTM的隐层向量，U∈R^d×d表示参数矩阵。

其次，计算表情图与文本句子之间的相关程度：

score(eⁱ)＝max_col(M)，

其中，max_col(M)表示M按列最大池化。

最后，计算表情图表示：

其中，

需要说明的是，本实施例中，S3包括：

S3-1：结合文本句子表示和表情图表示学习得到微博评论最终嵌入。

S3-2：将最终嵌入送入到Softmax分类器中进行情感分类。

S3-3：利用交叉熵函数不断优化模型参数，保证情感分类准确性。

本实施例中，S3具体可按以下步骤实现：

(1)结合文本句子表示和表情图表示学习得到微博评论最终嵌入：

d＝tanh(W_ts+W_rr+b)，

其中，W_t，W_r∈R^d×d分别表示文本表示s和表情图r的参数，b表示偏执项。

(2)利用Softmax分类器计算情感三分类分布：

p＝softmax(d)。

这里，选择p中最大元素对应的情感类作为微博评论文本的情感极性：

sent_polarity(S)＝argmax(p)。

(3)采用交叉熵

对情感分类方法涉及的参数进行优化，保证分类效果的准确性。

这里D为微博评论数据训练集,p_k(d)表示样本d属于k类(积极、中性和消极)的概率,y_k(d)表示指示变量，k＝1,2,3:预测分类和样本分类一致，其值为1，反之为0。

所以，本实施例通过构建表情图加权网络和表情图描述词词典，获得了表情图向量，并有机地结合表情图和文本句子的信息，利用深度学习的双向LSTM 模型进行微博评论情感分类，保证了微博评论情感分类的准确性。

Claims (6)

1.基于表情图和文本信息的微博评论情感分类方法，其特征在于，包括如下步骤：

步骤1.对微博评论进行预处理，并构建表情图加权网络，计算表情图的五维情感值，同时构建表情图情感描述词典，结合情感词典获得表情图向量，其中，每条微博评论至少包含一个表情图，且文本长度至少为5；

步骤2.将微博评论中的文本句子和表情序列送入双向LSTM模型，获得文本句子表示和表情图表示；

步骤3.结合文本句子表示和表情图表示学习得到微博评论最终嵌入，利用Softmax分类器对其进行情感分类。

2.根据权利要求1所述的基于表情图和文本信息的微博评论情感分类方法，其特征在于，步骤1中：

首先，对每条微博评论进行处理，去除不含表情图，且文本长度少于5的微博评论，获得微博评论；

其次，构建表情图加权网络，其中，顶点为微博评论中的表情图，边上的权重为表情图之间的相似度；

然后，将表情图分为喜欢、开心、愤怒、悲伤和厌恶五维情感，对每个表情图建立五维向量，基于微博评论中表情图序列，得到表情图序列的情感矩阵；

最后，基于表情图五维情感，构建表情图的情感描述词典，结合表情序列的情感矩阵，得到表情图情感向量。

3.根据权利要求2所述的基于表情图和文本信息的微博评论情感分类方法，其特征在于，步骤1具体包括如下步骤：

步骤101.对获取的微博评论，去除不含表情图和文本长度小于5的微博评论，构建微博评论集，划分为微博评论句子集和表情图集；

步骤102.构建表情图加权网络，其中顶点为微博评论中的表情图，边上的权重为表情图之间的相似度；

步骤103.计算表情图的五维情感值；

步骤104.计算表情图集的初始情感矩阵和情感转移矩阵；

步骤105.利用Softmax函数，得到表情图集的最终情感矩阵；

步骤106.分别对喜欢、开心、愤怒、悲伤及厌恶进行情感描述词扩充，构建情感描述词词典；

步骤107.分别计算喜欢、开心、愤怒、悲伤及厌恶五类情感对应的最终情感向量；

步骤108.计算表情图向量。

4.根据权利要求1所述的基于表情图和文本信息的微博评论情感分类方法，其特征在于，步骤2具体包括如下步骤：

步骤201.利用Jieba分词工具得到每条微博评论的词序列，建立文本词典，进而获得文本嵌入矩阵；

步骤202.利用表情图情感向量，得到表情图嵌入矩阵；

步骤203.再将文本嵌入矩阵和表情图嵌入矩阵送入双向LSTM模型，获得文本句子表示和表情图表示。

5.根据权利要求4所述的基于表情图和文本信息的微博评论情感分类方法，其特征在于，步骤203具体包括如下步骤：

步骤2021.获得隐层向量与表情图序列嵌入之间的关系；

步骤2022.计算表情图与文本句子之间的相关程度；

步骤2023.计算表情图表示。

6.根据权利要求1所述的基于表情图和文本信息的微博评论情感分类方法，其特征在于，步骤3中具体包括如下步骤：

步骤301.结合文本句子表示和表情图表示学习得到微博评论最终嵌入；

步骤302.将最终嵌入送入到Softmax分类器中进行情感分类；

步骤303.利用Softmax分类器计算情感三分类分布；

步骤304.选择情感三分类分布中最大元素对应的情感类作为微博评论文本的情感极性；

步骤305.采用交叉熵对涉及的参数进行优化。

Images