曾勁松

（西南財經(jīng)大學(xué) 成都 610000）

1 引言

本文以人工智能在文本情感分析中的應(yīng)用為研究方向，對其主要內(nèi)容及系統(tǒng)設(shè)計給予闡明，對人工智能植入文本情感分析中系統(tǒng)的可行性、功能性給予分析，為人工系統(tǒng)的全面升級與優(yōu)化奠定基礎(chǔ)。

2 人工智能在文本情感分析中的優(yōu)勢特點

現(xiàn)階段我國市場經(jīng)濟建設(shè)快速發(fā)展，已經(jīng)進入新經(jīng)濟發(fā)展時期，人工智能作為時代發(fā)展趨勢及核心保障，其重要性不言而喻。人工智能是以模擬人工為主，通過網(wǎng)絡(luò)神經(jīng)布局及智能程序植入，完成擬人操作與智能分析［1］。同時在應(yīng)用領(lǐng)域方面也逐漸擴展，人工智能技術(shù)在教育領(lǐng)域應(yīng)用較為突顯，從教育本身入手人工智能提供諸多輔助幫助，將傳統(tǒng)的教育輔助及應(yīng)用模式進行升級創(chuàng)新，通過利用人工智能中的智能分析、鑒別及判斷，實現(xiàn)文本情感分析的精準(zhǔn)識別［2］。經(jīng)分析會后發(fā)現(xiàn)，傳統(tǒng)情感分析中主要以人工形式文字或采用某種定向程序，但其實際功能與效果相對不高，無法對文本情感進行全面而分析、精準(zhǔn)判定，人工智能的優(yōu)勢在于對大數(shù)據(jù)技術(shù)的融合利用，采用自動編碼模式對文本感情色彩進行分類歸納，將算法的功能性給予全面提升，其中CNN架構(gòu)應(yīng)用及算法改進是人工智能文本情感分析的主要模式，優(yōu)勢特點如下：第一，可精準(zhǔn)對情感詞匯及內(nèi)容進行分析，并對其精準(zhǔn)分類、系統(tǒng)歸納；第二，對大量詞匯及內(nèi)容進行快速分類及分析，人工智能通過海量的大數(shù)據(jù)庫及技術(shù)應(yīng)用，充分滿足不同階段及內(nèi)容形式文本的情感分析需求［3］。

3 CNN架構(gòu)及算法改進概述

3.1 CNN框架內(nèi)涵介紹

經(jīng)過分析后發(fā)現(xiàn)人工智能在教育應(yīng)用領(lǐng)域形式較多，其體系具有一定的框架性及系統(tǒng)化，但實際應(yīng)用中大多通過算法來實現(xiàn)，主要以學(xué)習(xí)及功能算法為主，通過對相關(guān)算法及案例進行統(tǒng)計分析，一種應(yīng)用較為常見且高效的自動編碼方式逐漸突顯，即基于CNN架構(gòu)及相關(guān)功能，并對遺傳算法進行改良創(chuàng)新。CNN架構(gòu)為“卷積神經(jīng)網(wǎng)絡(luò)模型”，該模型功能較多，如下：第一，基于遺傳算法學(xué)習(xí)過程中的關(guān)鍵功能；第二，實現(xiàn)內(nèi)部數(shù)據(jù)的全面向量運算。適合人工智能對文本情感內(nèi)涵進行分析的基本要求［4］。

3.2 應(yīng)用過程及方法

該方法在文本情感彩色分析中主要以內(nèi)部向量計算為主，以文本中涉及的情感詞匯為對象，對其開展定向歸類，其分析規(guī)律是通過對不同詞組及詞匯的出現(xiàn)頻率統(tǒng)計，經(jīng)過智能確定及鑒別后給予科學(xué)精準(zhǔn)的分層分類輸出，保障輸出結(jié)果的準(zhǔn)確性，其整個過程較為簡單，快速實現(xiàn)對文本情感的歸類與識別，但經(jīng)過分析后發(fā)現(xiàn)，該傳統(tǒng)的CNN算法及架構(gòu)只能對文本中所呈現(xiàn)的差異化情感類型進行初步識別，對相對較為隱喻的情感內(nèi)容缺乏精度鑒別與區(qū)分，雖然經(jīng)過系統(tǒng)分析及算法改良，但該問題在人工智能文本情感分析中依然較為常見，在具體研發(fā)過中需結(jié)合自然語言處理體系當(dāng)中的SVM算法，此部分內(nèi)容可以交由后續(xù)的人工智能訓(xùn)練來完成，或者可以在算法體系中予以完善及改進，本文則選擇了后者［5］。

另外從算法改進層面分析，需實現(xiàn)一個重要目標(biāo)，該人物就是對文本中情感色彩的科學(xué)區(qū)分，因此受該目標(biāo)任務(wù)影響，要對算法進行改進，其改進中要在卷積層基礎(chǔ)上引入池化層，其主要功能是對采樣進行管控，為CNN向量體系植入較為精準(zhǔn)的定向區(qū)分、歸類方向，即賦予不同向量的方向上的集合，使其針對不同情感進行明確的定義，并形成固定的分類方向。

4 人工智能在文本情感分析中的應(yīng)用要點

4.1 以大數(shù)據(jù)模型為主

在人工智能文本情感色彩分析中，大數(shù)據(jù)模型有著廣泛的應(yīng)用。大數(shù)據(jù)模型構(gòu)建是對相關(guān)內(nèi)容及關(guān)鍵字的資源統(tǒng)計，只有滿足關(guān)鍵字及內(nèi)容的數(shù)據(jù)存儲才能實現(xiàn)精準(zhǔn)識別。基于大數(shù)據(jù)時代及應(yīng)用技術(shù)發(fā)展，人工智能應(yīng)用中需對大數(shù)據(jù)模型進行重視，對大數(shù)據(jù)模型及相關(guān)信息存儲給予實效性體現(xiàn)。文本情感內(nèi)容會隨其時代變化而不斷創(chuàng)新，因此對文本當(dāng)中的情感內(nèi)容進行同步更新至關(guān)重要，這也需要數(shù)據(jù)庫的重構(gòu)及建設(shè)［6］。

4.2 以算法改進為核心

不同算法會產(chǎn)生不同結(jié)果，從識別及分析效果層面分析，算法的改進對文字情感識別十分關(guān)鍵。算法改進的重要標(biāo)準(zhǔn)是基于快速識別、全面分析，將篩選的精準(zhǔn)性給予體現(xiàn)。同時算法改進不是最終判定人工智能應(yīng)用質(zhì)量標(biāo)準(zhǔn)，而是需對不同算法改進的測試訓(xùn)練，訓(xùn)練主要偶以識別效能提升為準(zhǔn)，在日常測試訓(xùn)練中要注意以下兩點：第一，以優(yōu)化鞏固向量層中的指向體系為核心；第二，在實際測試訓(xùn)練中要充分考慮其向量長度及相關(guān)指標(biāo)［7］。結(jié)合文本情感分析中發(fā)現(xiàn)，通過選擇及輸入方式，對定向情感詞匯、文本內(nèi)容等進行向量整合，該過程中是在基于分類模式下進行，該算法測試訓(xùn)練的主要目的是提升人工智能模式的文本內(nèi)容精度識別。同時算法改進及應(yīng)用中要將多種分析結(jié)果的實現(xiàn)可能給予呈現(xiàn)，將不同詞語及詞條的意義、屬性等給予合理歸納、分類［8］。

4.3 以深度識別為方向

人工智能在文本感情分析中需對多義詞、同義詞、近義詞等進行精準(zhǔn)識別，漢語詞匯中多義詞、近義詞較多，在傳統(tǒng)文本感情色彩分析中主要以反義詞為主，對表達意義較為鮮明的詞匯可進行快速識別，但對相近詞義及新詞匯分析識別不夠，無法為文本情感提出較為精度及全面的系統(tǒng)識別［9］。人工智能的應(yīng)用正是在于解決該問題，人工智能技術(shù)對傳統(tǒng)程序分析識別進行優(yōu)化，實現(xiàn)文本情感分析的深度識別，即拓展向量長度。深度測試訓(xùn)練中將不同詞匯的情感深度進行分類，例如開心與哭泣識別較為簡單，如“我真的想哭”與“我笑不起來”，二者意思及情感表達較為相似，但前者的悲傷程度相對較高。人工智能系統(tǒng)的向量長度本質(zhì)上是該方向下的指標(biāo)設(shè)定。同樣以上文的兩個文本案例為例，如果前者所表達的“開心”程度的權(quán)重參數(shù)為“1”，則后者的表達程度的權(quán)重參數(shù)可能為“3”［10］。

5 文本情感分析中人工智能設(shè)計架構(gòu)及實現(xiàn)

5.1 CNN架構(gòu)設(shè)計及需求分析

5.1.1 CNN架構(gòu)設(shè)計

針對改進CNN算法的情感信息提取需求，要對該智能系統(tǒng)進行合理設(shè)計，本智能系統(tǒng)架構(gòu)設(shè)計按照功能豐富、分析精準(zhǔn)、識別快速為原則。強化人機互動操作界面的簡單與易操作等。CNN架構(gòu)設(shè)計主要以前端用戶互動、后端提取運算為主。另外，在CNN架構(gòu)設(shè)計中要植入分層理念，將該模塊進行功能作業(yè)分層設(shè)計，實現(xiàn)各系統(tǒng)模塊可在相同任務(wù)下完成各自任務(wù)，且可互動協(xié)同開展等，此時各功能模塊通過智能化調(diào)節(jié)，可不受上下級約束影響，實現(xiàn)各自功能發(fā)揮，并第一時間完成情感信息分析任務(wù)。

5.1.2 運行及分析流程

運行及分析流程在CNNN應(yīng)用中尤為關(guān)鍵，將對傳統(tǒng)分析模式及算法考究，本系統(tǒng)運行及分析流程模塊包括基礎(chǔ)流程管控模塊、抽取分析功能流程模塊等。首先基礎(chǔ)流程模塊主要負責(zé)文本情感內(nèi)容及關(guān)鍵詞等開展處理。對系統(tǒng)運行及分析具有決定性作用，并負責(zé)原始文本及內(nèi)容數(shù)據(jù)的提取分析工作，經(jīng)過對用戶查詢指令輸入進行分析，該智能系統(tǒng)會對原始文本與數(shù)據(jù)內(nèi)容進行基礎(chǔ)優(yōu)化操作［11］。

在本次研究語言模型中選擇“循環(huán)神經(jīng)網(wǎng)絡(luò)”，即RNN，x為一個向量，表示輸入層的值；s為一個向量，表示隱藏層的值；O為一個向量，表示輸出層的值；U則表示當(dāng)前時刻輸入層到隱藏層的權(quán)重矩陣；V表示當(dāng)前時刻隱藏層到輸出層的權(quán)重矩陣；W是隱藏層t-1時刻的值作為t時刻的輸入權(quán)重。

RNN計算公式如下所示：

其中，Xt表示t時刻的輸入，St表示t時刻隱藏層的值，Ot表示t時刻的輸出。

以情感詞匯分析模塊作用發(fā)揮為主，對原文情感詞匯、詞義等進行分區(qū)、歸類。然后情感詞性標(biāo)準(zhǔn)模塊負責(zé)對多義或近義情感詞匯等進行快速識別標(biāo)注。另外，情感詞組量化模塊主要負責(zé)對情感詞匯給予近一步量化?；A(chǔ)流程如圖1所示。

圖1 基礎(chǔ)流程如圖

最后抽取分析功能流程模塊是其系統(tǒng)核心主體，情感抽取分析功能流程模塊在上述流程實現(xiàn)完成后，對文本當(dāng)中的情感數(shù)據(jù)給予二次精度處理，例如對關(guān)鍵字、關(guān)鍵詞、語句、語義等相關(guān)內(nèi)容的相似度給予評估，然后完成整個文本情感色彩分析工作。

5.1.3 需求分析

1）功能需求分析，智能化CNN系統(tǒng)及算法改進中要充分按照實際需求，給予功能完善，以功能需求為例，當(dāng)下文本中情感元素及詞匯組合相對復(fù)雜多變，諸多情感詞句、關(guān)鍵字都涉及復(fù)雜問題。另外海量文本中的情感數(shù)據(jù)處理是當(dāng)下最為棘手問題。針對大數(shù)據(jù)海量性特點，容易造成系統(tǒng)運行錯誤。因此本系統(tǒng)功能需求包括：第一、滿足大數(shù)據(jù)時代下用戶更高需求；第二、滿足海量文本中情感數(shù)據(jù)的識別分析需求；第三、迎合技術(shù)創(chuàng)新及大數(shù)據(jù)時代需求。

2）性能需求分析，改進CNN算法在文本情感分析系統(tǒng)當(dāng)中的性能需求十分關(guān)鍵。

性能需求是保障其快速分析、精準(zhǔn)識別，具體如下：第一，本智能分析系統(tǒng)具有快速分析、快速識別性能，縮短用戶等待時間，一般為1s~2s之間。第二，本智能系統(tǒng)必須具備情感關(guān)鍵詞、數(shù)據(jù)內(nèi)容的精準(zhǔn)分析、準(zhǔn)確識別，最大限度避免誤差發(fā)生。第三，本智能系統(tǒng)安全性基于在復(fù)雜多變的網(wǎng)絡(luò)環(huán)境中穩(wěn)定運行，對病毒具有預(yù)防、抗干擾能力，安全穩(wěn)定性能是該系統(tǒng)設(shè)計基礎(chǔ)要求［12］。

5.2 實現(xiàn)及應(yīng)用分析

5.2.1 數(shù)據(jù)預(yù)處理模塊

本智能系統(tǒng)主要以文本情感數(shù)據(jù)預(yù)處理為主，改進CNN算法后應(yīng)對情感數(shù)據(jù)預(yù)處理模塊進行重新設(shè)置。文本情感信息識別模塊主要包括情感分詞識別模塊、情感詞性標(biāo)注分析模塊、情感詞向量分析模塊。

1）情感分詞識別模塊可充分體現(xiàn)海量情感數(shù)據(jù)及情感詞語復(fù)雜的處理功能，選擇隱馬爾可夫模型作為該情感分詞模塊設(shè)計的未登錄詞，即OOV。

2）在情感詞性標(biāo)注識別模塊式中要充分研究情感兼類詞及未登錄詞二者的標(biāo)注識別難點，系統(tǒng)選擇情感條件隨機場模型，給予情感類詞性標(biāo)注。

3）在詞向量分析模塊中要對自然情感語言在計算機當(dāng)中的轉(zhuǎn)換處理給予考慮。本智能系統(tǒng)中采用谷歌開源程序中的word2vec架構(gòu)中的skip-gram模型［13］。

5.2.2 數(shù)據(jù)儲存模塊

數(shù)據(jù)儲存模塊是對已完成或等待中的文本情感數(shù)據(jù)開展儲存處理，數(shù)據(jù)存儲模塊需側(cè)重研究對多種情感元素、情感表達形式的規(guī)劃儲存。智能化系統(tǒng)中的存儲位置以本地文件夾為主。主要存儲類型包含情感分詞文本類型、情感分詞模型類型、情感詞性標(biāo)注類型、情感詞向量模型類型、情感原始文本類型等，智能化系統(tǒng)選擇DataStorage程序。

5.2.3 情感關(guān)鍵字提取分類模塊

智能化系統(tǒng)要側(cè)重提升對原始文本中情感數(shù)據(jù)的內(nèi)容降噪處理，其中文本當(dāng)中的噪音數(shù)據(jù)對系統(tǒng)運行影響頗大，經(jīng)過對CNN算法改進，將提取分類情感關(guān)鍵字環(huán)節(jié)進行系統(tǒng)優(yōu)化，實現(xiàn)整個文本中情感關(guān)鍵字提取分類的精確性，經(jīng)過改進后的CNN算法應(yīng)用，降低結(jié)果提取分類與用戶要求的誤差及失誤，實現(xiàn)海量快速情感關(guān)鍵字匹配。

5.2.4 情感語義相似度評估模塊

文本中情感數(shù)據(jù)分析識別中需強化情感關(guān)鍵字識別的精準(zhǔn)性，智能化系統(tǒng)中植入語義相似度評估模塊，其模塊負責(zé)對整篇、整段文本中的情感語義相似度進行評估分析。實現(xiàn)用戶的情感語義的相似度快速篩選，降低相似度，實現(xiàn)情感信息數(shù)據(jù)的識別分析。智能化系統(tǒng)中情感語義相似度評估模塊以tensorflow架構(gòu)當(dāng)中python開發(fā)程序為核心。智能化系統(tǒng)在文本情感分析中語義相似度處理采用jyhon組件，并融入諸多相關(guān)程序、編程語言等［14］。

5.2.5 情感信息識別模塊

智能化系統(tǒng)文本情感信息識別模塊主要以服務(wù)用戶為主，將具體事宜與性能進行可視化體現(xiàn)，經(jīng)過上述工序及處理功能發(fā)揮，完成情感關(guān)鍵字的提取、篩選及處理分類等。然后利用情感信息識別模塊為用戶進行快速數(shù)據(jù)分類，對相關(guān)情感信息進行處理，另外將其結(jié)果展現(xiàn)在用戶面前。智能化系統(tǒng)文本情感色彩識別模塊采用分層、分類的識別方法，將用戶、數(shù)據(jù)、提取、互動進行呈現(xiàn)，讓系統(tǒng)服務(wù)更為實用性、人性化［15］。

6 結(jié)語

綜上所述，通過對人工智能在文本情感分析中的應(yīng)用進行分析，主要包括以大數(shù)據(jù)模型為主、以深度識別為方向、以深度識別為方向、CNN架構(gòu)設(shè)計及需求分析、實現(xiàn)及應(yīng)用分析等。將改進CNN算法后的人工智能系統(tǒng)設(shè)計的方法步驟進行介紹。同時，從不同方面及角度對人工智能系統(tǒng)設(shè)計及應(yīng)用實現(xiàn)給予剖析，為下一步工作開展奠定基礎(chǔ)。