公开(公告)号：CN111767741B

公开(公告)日：2023-04-07

申请号：CN202010617921.8

申请日：2020-06-30

Applicant: 福建农林大学

Inventor： 陈柏杭 ,  张振昌 ,  张少涵 ,  高丽斌 ,  陈日清

IPC: G06F40/30 ,  G06F40/289 ,  G06F40/284 ,  G06F40/117 ,  G06F40/242 ,  G06F16/35 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明涉及一种基于深度学习结合TFIDF算法的文本情感分析方法，将获取的中文语料及维基百科的中文语料进行文本预处理后，使用word2vec模型分别进行训练，然后结合两者训练的得到的词向量，作为深度学习训练模型的输入，然后进行情感分析模型的构建；最后，进行新语料的预测。本发明无需进行复杂的词典构建，减少了人工成本，避免了繁琐的特征工程构建对分类结果的影响，同时将深度学习模型中学习的特征结合了传统的语义信息，增加了分类的准确性。此外，在词向量的训练中将文本自身领域与维基百科的中文语料纳入考虑，提高了词向量对文本语义信息表达的准确性。

公开(公告)号：CN111767741A

公开(公告)日：2020-10-13

申请号：CN202010617921.8

申请日：2020-06-30

Applicant: 福建农林大学

Inventor： 陈柏杭 ,  张振昌 ,  张少涵 ,  高丽斌 ,  陈日清

IPC: G06F40/30 ,  G06F40/289 ,  G06F40/284 ,  G06F40/117 ,  G06F40/242 ,  G06F16/35 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于深度学习结合TFIDF算法的中文情感分析方法，将获取的中文语料及维基百科的中文语料进行文本预处理后，使用word2vec模型分别进行训练，然后结合两者训练的得到的词向量，作为深度学习训练模型的输入，然后进行情感分析模型的构建；最后，进行新语料的预测。本发明无需进行复杂的词典构建，减少了人工成本，避免了繁琐的特征工程构建对分类结果的影响，同时将深度学习模型中学习的特征结合了传统的语义信息，增加了分类的准确性。此外，在词向量的训练中将文本自身领域与维基百科的中文语料纳入考虑，提高了词向量对文本语义信息表达的准确性。