(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211175447.3 (22)申请日 2022.09.26 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 申请人 合肥本源量子 计算科技有限责任公 司 (72)发明人 石金晶　袁逸凡　王雯萱　赵雪娇　 徐璐　施荣华　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 专利代理师 周咏　米中业 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/289(2020.01)G06N 10/20(2022.01) (54)发明名称 基于量子启发式算法的文本情感分类方法 (57)摘要 本发明公开了一种基于量子启发式算法的 文本情感分类方法， 包括获取带有分类标签的原 始训练文本并处理得到训练文本； 加载预训练模 型和对应的参数并训练得到振幅嵌入向量； 将分 词后的高维句子进行 降维和特征提取得到相位 嵌入向量； 构建量子启发式神经网络模型； 采用 量子启发式神经网络模型进行实际的文本情感 分类。 本发 明提供的这种基于量子启发式算法的 文本情感分类方法， 通过双特征提取复词嵌入的 方式， 并结合基于量子启发式算法， 实现了文本 情感的分类； 而且本发明方法的准确性高， 可靠 性好。 权利要求书2页 说明书4页 附图1页 CN 115495580 A 2022.12.20 CN 115495580 A 1.一种基于量子启发式算法的文本情感分类方法， 包括如下步骤： S1.获取带有分类标签的原 始训练文本； S2.将步骤S1 获取的原 始训练文本进行处 理， 得到训练文本； S3.加载预训练模型和对应的参数， 并采用步骤S2得到的训练文本对预训练模型进行 训练， 从而得到振幅嵌入向量； S4.将分词后的高维句子进行降维和特 征提取， 从而得到相位嵌入向量； S5.基于振幅嵌入向量、 相位嵌入向量以及量子计算和 深度学习理论， 构建量子启发式 神经网络模型； S6.采用步骤S5得到的量子启发式神经网络模型， 进行实际的文本情感分类。 2.根据权利要求1所述的基于量子启发式算法的文本情感分类方法， 其特征在于步骤 S2所述的将步骤S1 获取的原 始训练文本进行处 理， 得到训练文本， 具体包括如下步骤： 对原始训练文本进行处理， 将文本中的单个句子均处理成索引的形式； 在每个句子前 增加标识符， 用于文本预训练之后的特 征提取。 3.根据权利要求2所述的基于量子启发式算法的文本情感分类方法， 其特征在于步骤 S3所述的加载预训练模型和对应的参数， 并采用步骤S2得到的训练文本对预训练模型进 行 训练， 从而得到振幅嵌入向量， 具体包括如下步骤： 预训练模型为BERT预训练模型； 将训练文本中分词后的句子 输入到BERT预训练模型中进行训练； 提取BERT预训练模型输出序列中的第一个位置的向量， 得到训练标识符； 将得到的训练标识符向量映射到对应量子态的希尔伯特空间中， 再采用振幅嵌入层进 行映射， 从而得到振幅嵌入向量。 4.根据权利要求3所述的基于量子启发式算法的文本情感分类方法， 其特征在于步骤 S4所述的将分词后的高维句 子进行降维和特征提取， 从而得到相位嵌入向量， 具体包括如 下步骤： 采用PCA技 术进行降维和特 征提取； 将每个Batch的文本句子进行分词， 将分词后形成的单次和对应的索引作为一个二维 矩阵X1； 对得到的二维矩阵X1进行均值 化处理， 得到新 二维矩阵X2； 计算新二维矩阵X2的协方差矩阵X3； 计算协方差矩阵X3的特征值和特 征向量， 并将特 征值从小到大进行排序； 保留排序后的前N个最大的特 征值所对应的特 征向量， N 为设定的自然数； 将原始特征映射到N个保留的特 征向量所构建的新空间中， 从而形成低维特 征向量； 将低维特征向量映射到对应量子态的希尔伯特空间中， 并采用相位嵌入层进行映射， 从而得到相位嵌入向量。 5.根据权利要求4所述的基于量子启发式算法的文本情感分类方法， 其特征在于所述 的对得到的二维矩阵X1进行均值化处理， 得到新二维矩阵X2， 具体为对得到的二维矩阵X1， 求解矩阵的每个维度的平均值， 再将当前维度中的每个特征减去对应维度的平均值， 从而 得到新二维矩阵X2。 6.根据权利要求5所述的基于量子启发式算法的文本情感分类方法， 其特征在于步骤权　利　要　求　书 1/2 页 2 CN 115495580 A 2S5所述的基于振幅嵌入向量、 相位嵌入向量以及量子计算和深度学习理论， 构建量子启发 式神经网络模型， 具体包括如下步骤： 将得到的振幅嵌入向量和相位嵌入向量构成句子的量子态 表示： α eβ i＝α cos( β )+iα si n( β ) 式中α cos( β )为实部； α sin( β )为虚部； i为虚数单位； 振幅嵌入向量对应于实部， 相位嵌 入向量对应于虚部； 经过测量操作后， 得到实部矩阵和虚部矩阵， 用于表示经 过测量后的量子态； 将得到的实部矩阵和虚部矩阵进行Maxpooling操作， 从而提取得到实部矩阵和虚部矩 阵中的特 征； 将经过Maxpooling操作后的向量进行拼接， 得到一组新的向量； 采用多层感知机构成二分类 器； 将得到的新的向量输入到构建的二分类 器中， 得到最终后的分类标签。权　利　要　求　书 2/2 页 3 CN 115495580 A 3