(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 202211246647.3 (22)申请日 2022.10.12 (71)申请人 天津海量信息技 术股份有限公司 地址 300450 天津市滨 海新区华苑产业区 榕苑路1号B北32 2-323室 (72)发明人 郝静　 (74)专利代理 机构 合肥昕华汇联专利代理事务 所(普通合伙) 34176 专利代理师 祁娜 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/289(2020.01) G06F 40/295(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 微博数据正负面识别方法 (57)摘要 本发明公开了微博数据正负面识别方法， 包 括以下步骤： S1、 预处理； S2、 文本分词； S3、 训练 词向量； S4、 生成字向量矩阵； S5、 生成词向量矩 阵； S6、 生成字向量与词向量拼接矩阵； S7、 获得 识别结果。 本发明通过先将微博杂质文本过滤， 避免无效语句影 响模型效果， 同时使用了海量分 词， 对文本进行分析并对特殊词进行归一化处 理， 减少对模型的影响， 同时使用了bert模型和 word2vec模型， 融合了bert模型基于句子的字向 量表示和基于上下文的词向量表 示， 丰富了文本 的特征表示， 由此作为text cnn深度学习模型， 训 练出的准确率更高， 从而实现了可以高效并准确 识别短文本情感的正负面。 权利要求书1页 说明书3页 附图1页 CN 115544255 A 2022.12.30 CN 115544255 A 1.微博数据正负面识别方法， 其特 征在于： 包括以下步骤： S1、 预处理： 去除微博短文本中的杂质语句； S2、 文本分词： 通过海量分词算法对步骤S1中去除杂质语句后的短文本进行分词归一 化处理； S3、 训练词向量： 将步骤S2中完成分词归一化处理后的训练语料使用word2vec模型训 练词向量； S4、 生成字向量矩阵： 加载谷歌预训练的bert模型， 将步骤S1中过滤杂质语句后的短文 本转成字向量矩阵； S5、 生成词向量矩阵： 将步骤S3中训练好的词向量 转化成词向量矩阵； S6、 生成字向量与词向量拼接矩阵： 将步骤S4中的字向量矩阵与步骤S5中的词向量矩 阵进行拼接， 并活动字向量矩阵与词向量矩阵的拼接矩阵； S7、 获得识别结果： 将步骤S6中的生成的拼接矩阵作为textcnn深度学习模型训练的输 入训练模型， 并计训练出最优 模型， 得到数据正负面的分类结果。 2.根据权利要求1所述的微博数据正负面识别方法， 其特征在于： 所述步骤S1中杂质语 句包括但不限于常用的表情符号、 转发和话题的无效信息内容。 3.根据权利要求1所述的微博数据正负面识别方法， 其特征在于： 所述步骤S2中海量分 词算法是由通过结合人民日报以及互联网文本收集加人工整理的专用词知识， 使用开源 trie树算法实现快速知识的扫描匹配， 并结合H MM和Viterbi双重算法组成。 4.根据权利要求1所述的微博数据正负面识别方法， 其特征在于： 所述步骤S2中海量分 词算法提取出短文本中的时间、 地点、 数量词、 人名、 机构名、 停用词和标点符号使用归一化 处理， 并将上述专有词汇统一映射成T IME_HY、 L OC_HY、 NUM_HY、 NA ME_HY、 ORG_HY、 S TOP_HY和 PUNC_HY的训练语料。 5.根据权利要求1所述的微博数据正负面识别方法， 其特征在于： 所述步骤S7中 textcnn深度学习模型 结构包括输入层、 卷积层、 池化层和全连接层。权　利　要　求　书 1/1 页 2 CN 115544255 A 2微博数据正负面 识别方法 技术领域 [0001]本发明涉及数据处 理技术领域， 具体为 微博数据正负面识别方法。 背景技术 [0002]21世纪以来， 随着网络的普及， 人们也愿意在微博等一些短文本平台上发表与交 流自己的观点， 因此短文本的情感正负面识别的研究变得尤为重要。 目前现有的短文分类 主要有两种， 基于规则的方式和基于深度学习的方式。 [0003]基于规则方式， 需要人工收录情感， 构建情感词典， 根据文本中出现的情感词来进 行特征提取， 并计算 正负面结果。 [0004]基于深度学习的文本分类方法， 先使用one ‑hot、 word2vec等方式做词嵌入， 将文 本表示成向量， 再通过CNN/RNN/LSTM等深度学习模型自动获取特征表达方式， 实现情感正 负面分类。 [0005]但是现有技 术在实际使用时： [0006]基于规则的方法灵活性较差， 由于网络语言普及， 新型词汇层出不穷， 需要人工做 大量工作收录情感知识， 比较 被动； [0007]基于深度学习的方法中： one ‑hot方式生成的向量维度过大且稀疏， 容易在 计算过 程中爆炸， 且没有结合上 下文， 导致短文本的表达效果 不理想； [0008]word2vec虽然结合了上下文， 但由于受限于训练时上下文滑窗口长度大小， 导致 无法理解整句中所有词的相关性， 也使得短文本表达效果 欠佳。 [0009]因此上述基于规则的方式和基于深度学习的方式均无法高效准确地对短文本的 情感进行正负面识别。 发明内容 [0010]本发明的目的在于提供微博数据正负面识别方法， 以解决基于规则的方式和基于 深度学习的方式均无法高效准确地对短文本的情感进行正负面识别的问题。 [0011]为实现上述目的， 本发明提供如下技 术方案： 包括以下步骤： [0012]S1、 预处理： 去除微博短文本中的杂质语句； [0013]S2、 文本分词： 通过海量分词算法对步骤S1中去除杂质语句后的短文本进行分词 归一化处理； [0014]S3、 训练词向量： 将步骤S2中完成分词归一化处理后的训练语料使用word2vec模 型训练词向量； [0015]S4、 生成字向量矩阵： 加载谷歌预训练的bert模型， 将步骤S1中过滤杂质语句 后的 短文本转成字向量矩阵； [0016]S5、 生成词向量矩阵： 将步骤S3中训练好的词向量 转化成词向量矩阵； [0017]S6、 生成字向量与词向量拼接矩阵： 将步骤S4中的字向量矩阵与步骤S5中的词向 量矩阵进行拼接， 并活动字向量矩阵与词向量矩阵的拼接矩阵；说　明　书 1/3 页 3 CN 115544255 A 3