1.一种情境感知的深度学习算法，其特征在于，包括以下步骤：(1)将文档表示为若干主题的随机组合，每个主题又表示为若干词条的概率分布，给定文档集 其中di(i＝1，2，…，N)为若干词条组成的文档，假设主题集词条集 则LDA主题模型中的“文本‑主题”概率分

布θd和“主题‑词条”概率分布 分别满足以α和β为超参数的Dirichlet分布，如式(1)和式(2)所示：其中，Γ(·)为Gamma函数，θd，j表示主题tj在文档d中的概率分布，且满足表示词条wk在主题tj中的概率分布，且满足文档集 中的每篇文档定义了基本的主题生成过程，分为以下步骤：(i)对于每一篇文档di(i＝1，2，…，N)，生成L个主题的概率分布θd＝(θd，1，θd，2，…，θd，L)，使得θd～P(·|α)；

(ii)对于每一个主题ti(i＝1，2，…，L) ，生成K个词条的概率分布使得

(iii)重复遍历文档di中的每一个词条wk(k＝1，2，…，K)，生成主题ti(i＝1，2，…，L)的概率分布，以及词条wk(k＝1，2，…，K)的概率分布；

在此基础上，利用Gibbs采样算法，分别求得“文本‑主题”概率θd，j和“主题‑词条”概率如式(3)和式(4)所示：其中， 表示词条w被分配给主题tj的频数， 表示文档d分配给主题tj的词条数；

由此分别得到“文本‑主题”概率矩阵和“主题‑词条”概率矩阵；

(2)利用LDA得到每个主题中对应的敏感词出现的概率，然后对训练数据进行多种方式的权重分配，分别记为Wbase、Wpartial和Wtotal：三种权重分配方式分别为：

(i)Wbase：把敏感词出现的概率值都相应的扩大100倍，然后向下取整，把该值作为含有敏感词的句子采样的倍数，Wbase加权的数据集可以表示为：其中 表示敏感词在“主题‑词条”概率分布中

的概率，SWT表示主题中含有敏感词的句子， 表示原始数据集；

(ii)Wpartial：按敏感词在该主题的所有词汇中所占的比例进行加权，敏感词在其主题中出现的概率可以表示为： 其中分子表示敏感词在该主题出现的次数，分母表示该主题包含的所有词汇之和，Wpartial：加权数据集可以表示为 其中SWT表示主题中含有敏感词的句子；

(iii)Wtotal：依据该敏感词占文挡d中所有词汇的比例进行加权，敏感词在其文档d中出现的概率可以表示为： 其中分子表示敏感词在该文档d中出现的次数，分母表示文档的所有词汇之和，Wtotal：加权数据集可以表示为 其中SWT表示主题中含有敏感词的句子；

(3)在得到Wbase、Wpartial和Wtotal三种数据集之后便可构建三种加权的CAN‑LSTM模型，将其送入LSTM网络中学习，反复迭代，直至收敛，得到认知情感识别模型 即可对测试数据集进行预测。