情感策略定义_品牌的情感宿舍策略_基于层次结构的多策略中文微博情感分析和特征抽取(5)

下采样层输出的特征向量作为全连接层的输入，然后利用Ｓｏｆｔｍａｘ输出分类结果，并根据训练数

属性。在此基础上，通过卷积神经网络的卷积运算，

在抽象出的词语属性序列上，进行基于卷积操作的特征提取。通过这一运算，获得在抽象属性基础上的序列特征。例如，“否定词＋负面极性词＝正面极性”这一规则，可以结合序列特征和文本分类标签，通过卷积运算获得。

因此，本文提出的相关方法所抽取的特征，具有很好的可理解性。在此基础上，可以将本文的相关方法与传统的规则方法通过添加规则集的方式进行融合，也可以利用本文的相关方法和传统的特征工程方法进行特征层面的融合。

据的实际分类标签，采用反向传播算法对模型参数

进行梯度更新。即：

Ｐ（ｙｆｙ，Ｗ；，ｂ，）一如丘优口ｚ，（Ⅳ，?Ｖ＋ｂ，）（５）

其中，ｙ∈｛＋１，一１），Ｗ，∈ＲｙＩ，ｂ；为偏置项。

最后，利用训练好的ＷＦＣＮＮ模型，将文本特征矩阵转为特征向量Ｖ，并用ＳＶＭｓ分类器进行模型训练和分类。

３．３词语序列特征融合方法

本文提出的ＷＦＣＮＮ模型在对文本特征矩阵进行特征提取后，输出文本的特征向量Ｖ。特征向量Ｖ可以作为其他模型的附加特征，为其他模型提供一种嵌入文本情感倾向性特征的简单高效的方法。假设Ｖ为增加文本情感倾向性特征后的特征向量，

４

实验结果

在２０１４年中文观点倾向性分析评测（Ｃｈｉｎｅｓｅ

ＯｐｉｎｉｏｎＡｎａｌｙｓｉｓ

Ｅｖａｌｕａｔｉｏｎ，ＣＯＡＥ２０１４）微博数

据集上，对本文提出方法有效性进行评估。ＣＯＡＥ２０１４微博数据集分为训练数据集和测试数据集。训练数据来自同一个话题，总共２１７４条，其

中有１００３条带有正面情绪，１１７１条带有负面情

绪。测试数据分别选白手机、保险、翡翠三个不同话题，总共７０００条，其中带有正面情感的有３７７６条，带有负面情感的有３２２４条。

本文设计了两组实验来验证本文提出方法的有

ｎ。涮模型原始特征向量，则：

Ｖ＝Ｕ由蒯①Ｖ

其中④为向量拼接操作。

在本文提出的计算体系下，可以对文本中每一

（６）

效性。实验一，对比本文提出的ＷＦＣＮＮ模型与Ｋｉｍ提出的基于ｗｏｒｄ２ｖｅｃ训练的词向量的ＣＮＮ模型（标记为Ｗ２ＶＣＮＮ）以及ＳｉｄａＷａｎｇ提出的

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-34703-5.html