CN107291696A - 一种基于深度学习的评论词情感分析方法及*** - Google Patents

Abstract

本发明公开了一种基于深度学习的评论词情感分析方法及***，其中方法包括如下步骤：接收待评论文本，将待评论文本进行分词，得到词语序列；利用词向量生成模型将词语序列转换为对应的词向量序列；根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列；将添加扩展词向量的词向量序列输入至情感判断模型，输出判断结果。本发明基于领域情感词典对传统的词向量进行扩展，增强了领域情感词的信息强度，能够精确识别在特定领域中才具有情感倾向，有效提高了情感倾向分析的准确性。

Description

一种基于深度学习的评论词情感分析方法及***

技术领域

本发明涉及情感分析及自然语言处理技术领域，具体涉及一种基于深度学习的评论词情感分析方法及***。

背景技术

在互联网日益发达的今天，许多用户不管是通过电商网站或者线下门店购买商品后，包括买车、买手机，都会到品牌官网或者一些专业网站、社交媒体去发表对产品的评价。对于买家来说，评论是了解一款产品真实情况的重要途径。对于商家而言，评论则是了解客户反馈、了解产品优势和潜在问题的第一手渠道。因此，对评论数据的挖掘分析目前有着相当大的市场需求。判断评论的情感倾向，即一个评论文本是表达正面情感还是负面情感，是评论分析的核心。

当下业界最热门的情感分析方法，主要是基于深度学习技术。深度学习无需特征工程，也就不需要使用传统方法经常用到的情感词典。但不使用情感词典也存在弊端，相当于弱化了情感词表达的倾向信息。尤其在处理较为专业的垂直领域评论文本的情感分析时，会导致准确率不高。

发明内容

本发明的目的是提高评论文本的情感分析的准确率。

为了实现上述目的，本发明提供了一种基于深度学习的评论词情感分析方法，包括如下步骤：

接收待评论文本，将待评论文本进行分词，得到词语序列；

利用词向量生成模型将词语序列转换为对应的词向量序列；

根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列；

将添加扩展词向量的词向量序列输入至情感判断模型，输出判断结果。

进一步，所述利用词向量生成模型将词语序列转换为对应的词向量序列之前包括

获取词向量训练文本；

将词向量训练文本输入词向量模型进行训练，得到词向量生成模型。

进一步，所述将添加扩展词向量的词向量序列输入至情感判断模型之前包括

构建情感分析模型；

利用情感倾向词对情感分析模型进行训练，得到情感判断模型。

进一步，所述根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列包括

构建领域情感词典；

提取不同领域情感词典中的情感倾向词，根据情感倾向词类型生成情感倾向词典，其中，情感倾向词典包括正面情感词典、负面情感词典、程度词典和否定词典。

进一步，情感判断模型为基于LSTM的模型。

本发明还提供了一种基于深度学习的评论词情感分析***，包括

评论分词模块，用于接收待评论文本，将待评论文本进行分词，得到词语序列；

向量生成模块，用于利用词向量生成模型将词语序列转换为对应的词向量序列；

向量扩展模块，用于根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列；

情感判断模块，用于将添加扩展词向量的词向量序列输入至情感判断模型，输出判断结果。

进一步，向量生成模块包括

训练准备单元，用于获取词向量训练文本；

向量生成单元，用于将词向量训练文本输入词向量模型进行训练，得到词向量生成模型。

进一步，情感判断模块包括

模型构建单元，用于构建情感分析模型；

模型训练单元，用于利用情感倾向词对情感分析模型进行训练，得到情感判断模型。

进一步，向量扩展模块包括

词典构建单元，用于构建领域情感词典；

特征提取单元，用于提取不同领域情感词典中的情感倾向词，根据情感倾向词类型生成情感倾向词典，其中，情感倾向词典包括正面情感词典、负面情感词典、程度词典和否定词典。

在上述技术方案中，本发明基于领域情感词典对传统的词向量进行扩展，增强了领域情感词的信息强度，能够精确识别在特定领域中才具有情感倾向，有效提高了情感倾向分析的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明所述的基于深度学习的评论词情感分析方法一个实施例的流程示意图；

图2为本发明基于深度学习的评论词情感分析方法中获取评论文本的一个来源效果示意图；

图3为本发明所述的基于深度学习的评论词情感分析方法中词向量生成模型一个实施例的模型工作原理流程示意图；

图4为本发明所述的基于深度学习的评论词情感分析方法中词向量生成模型生成的流程示意图；

图5为本发明所述的基于深度学习的评论词情感分析方法中构建领域情感词典并生成情感倾向词典的流程示意图；

图6为本发明所述的基于深度学习的评论词情感分析方法中生成情感判断模型的流程示意图；

图7为本发明所述的基于深度学习的评论词情感分析***一个实施例的框图结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

如图1所示，本发明提供了一种基于深度学习的评论词情感分析方法，包括如下步骤：

S101、接收待评论文本，将待评论文本进行分词，得到词语序列；

互联网用户由单纯的“读”网页,开始向“写”网页、“共同建设”互联网发展,并由被动地接收互联网信息向主动创造互联网信息迈进。因此,互联网上产生了大量的用户参与的、对于诸如人物、事件、产品等有价值的评论信息(如影评、购物体会等)，具体在博客上、论坛上、购物网站等。具体地如图2所示，评论文本来源于某购物网站。由于不同的评论信息表达了人们的各种情感色彩和情感倾向性,如喜、怒、哀、乐和批评、赞扬等。本发明通过对评论用户的评论信息进行分析，判断该用户的的情感倾向，以便潜在的用户就可以通过判断出的情感倾向了解大众舆论对于某一事件或产品的看法。

具体地，获取每一条用户评论文本，对评论文本进行分词。具体地，将评论文本中切分成一个一个独立的词语，本实施例中采用序列标注模型CRF(Conditional RandomFields，条件随机场)。对于一个输入文本S，经过分词后变成词语序列[w(0)，w(1)，w(2)，...，w(n)]。例如，对于文本“手机非常大气”，分词后变成词语序列[手机，非常，大气]。

S102、利用词向量生成模型将词语序列转换为对应的词向量序列；

本实施例中词向量的生成采用业界广泛使用的Google开源工具word2vec。word2vec包含两个核心模型，CBOW和Skip-gram模型，本专利使用CBOW模型。假设已有词语序列为[w(t-2)，w(t-1)，w(t)，w(t+1)，w(t+2)]。CBOW模型在已知当前词w(t)的上下文[w(t-2)，w(t-1)，w(t+1)，w(t+2)]的前提下，预测当前词w(t)，如图3所示。仍以“手机非常大气”，分词后得到词语序列[手机，非常，大气]，转换成词向量序列分别为：

手机[-0.19464609026908875,-1.736345648765564,5.530294418334961,……,-0.5644596219062805,5.328196048736572]

非常[1.2123366594314575,-4.543357849121094,2.388725996017456,……,-2.7988338470458984,-5.731011867523193]

大气[0.25000765919685364,0.9191241264343262,-1.1544685363769531,……,-1.028405785560608,-2.958078384399414]

进一步，如图4所示，S102之前包括

S1021、获取词向量训练文本；本发明中词向量生成模型包含模型训练和词向量生成两个功能。模型训练即利用一个文档集合对CBOW模型进行训练。为保证词汇覆盖面足够大和词向量足够准确，本发明使用从互联网上抓取的覆盖各个细分类别的1000万条新闻资讯数据进行模型训练，需要说明的是，本发明中对词向量生成模型的训练并不限于新闻资讯数据，其他数据，如影评、售后评论等均可以。

S1022、将词向量训练文本输入词向量模型进行训练，得到词向量生成模型。模型训练完成后，对于输入的词语w，利用模型可以得到对应的词向量X_w＝(x₁，x₂，...，x_d)，其中，d是向量的维数，本发明默认使用d＝128。

S103、根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列；

进一步，如图5所示为构建领域情感词典并生成情感倾向词典的流程示意图。

S1031、构建领域情感词典；领域情感词典针对不同领域构建，并对不同领域的情感词典提取该领域相关的具有情感倾向的词语，比如针对手机领域的情感词典、针对汽车领域的情感词典等。具体词典包括正面情感词典、负面情感词典、程度词典、和否定词典四大类，分别以

D_pos，D_neg，D_lev，D_rev表示。

S1032、提取不同领域情感词典中的情感倾向词，根据情感倾向词类型生成情感倾向词典，其中，情感倾向词典包括正面情感词典、负面情感词典、程度词典和否定词典。如表1为情感词典一个示例。

表1

词典名词典称	情感词示例
		正面情感词典	好 好用 流畅 清晰 快 时尚 喜欢
负面情感词典	卡顿 死机 黑屏 贬值 失望 难看
		程度词典	非常 极其 很 略微 绝对 十足 太
否定词典	不 没 非 不够 没有 无 不是

具体地，判断分词结果中的每个词语是否属于某一类情感词，并对每个词向量进行扩展。具体而言，对于输入的词语w，在判断分词结果中的每个词所属的情感词后，在S102中生成的词向量序列中增加4个维度(即情感维度)扩展为X_w＝(x₁，x₂，...，x_d，x_d+1，x_d+2，x_d+3，x_d+4)，其中：

S104、将添加扩展词向量的词向量序列输入至情感判断模型，输出判断结果。

进一步，如图6所示，所述S104中生成情感判断模型的具体步骤包括：

S1041、构建情感分析模型；

S1042、利用情感倾向词对情感分析模型进行训练，得到情感判断模型。进一步，情感判断模型为基于LSTM的模型。

本发明使用了LSTM(Long Short-Term Memory，长短时记忆)算法进行情感分析模型的训练和预测。LSTM模型能够“记住”较长距离范围内的上下文对当前词的影响。情感词(“喜欢”)和否定词(“不”)、程度词(“很”)的搭配会对情感倾向产生根本性的影响，多个分句之间的上下文关系也会对最终的情感倾向产生影响。深度学习模块分为训练和判定情感倾向两个功能。训练功能即基于已知情感倾向的文本集合来训练LSTM模型。

本发明中对应待评论文本，将其转化成扩展词向量之后，即可利用本发明本发明所述的LSTM模型进行判定，获得其情感倾向是正面还是负面。

如图7所示，本发明还提供了一种基于深度学习的评论词情感分析***，包括评论分词模块10、向量生成模块20和向量拓展模块30和情感判断模块40。

其中，

评论分词模块10，用于接收待评论文本，将待评论文本进行分词，得到词语序列；向量生成模块20，用于利用词向量生成模型将词语序列转换为对应的词向量序列；向量扩展模块30，用于根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列；情感判断模块40，用于将添加扩展词向量的词向量序列输入至情感判断模型，输出判断结果。

进一步，向量生成模块包括

训练准备单元201，用于获取词向量训练文本；

向量生成单元202，用于将词向量训练文本输入词向量模型进行训练，得到词向量生成模型。

进一步，情感判断模块包括

模型构建单元，用于构建情感分析模型；

模型训练单元，用于利用情感倾向词对情感分析模型进行训练，得到情感判断模型。

进一步，向量扩展模块包括

词典构建单元，用于构建领域情感词典；

特征提取单元，用于提取不同领域情感词典中的情感倾向词，根据情感倾向词类型生成情感倾向词典，其中，情感倾向词典包括正面情感词典、负面情感词典、程度词典和否定词典。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (9)

1.一种基于深度学习的评论词情感分析方法，其特征在于，包括如下步骤：

接收待评论文本，将待评论文本进行分词，得到词语序列；

利用词向量生成模型将词语序列转换为对应的词向量序列；

根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列；

将添加扩展向量的词向量序列输入至情感判断模型，输出判断结果。

2.根据权利要求1所述的基于深度学习的评论词情感分析方法，其特征在于，所述利用词向量生成模型将词语序列转换为对应的词向量序列之前包括

获取词向量训练文本；

将词向量训练文本输入词向量模型进行训练，得到词向量生成模型。

3.根据权利要求1所述的基于深度学习的评论词情感分析方法，其特征在于，所述将添加扩展词向量的词向量序列输入至情感判断模型之前包括

构建情感分析模型；

利用情感倾向词对情感分析模型进行训练，得到情感判断模型。

4.根据权利要求1所述的基于深度学习的评论词情感分析方法，其特征在于，所述根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列包括

构建领域情感词典；

提取不同领域情感词典中的情感倾向词，根据情感倾向词类型生成情感倾向词典，其中，情感倾向词典包括正面情感词典、负面情感词典、程度词典和否定词典。

5.根据权利要求1所述的基于深度学习的评论词情感分析方法，其特征在于，情感判断模型为基于LSTM的模型。

6.一种基于深度学习的评论词情感分析***，其特征在于，包括

评论分词模块，用于接收待评论文本，将待评论文本进行分词，得到词语序列；

向量生成模块，用于利用词向量生成模型将词语序列转换为对应的词向量序列；

向量扩展模块，用于根据领域情感词典判断词语序列是否包括情感倾词，根据情感倾向词得到其对应的扩展向量，将扩展向量添加至词向量序列；

情感判断模块，用于将添加扩展词向量的词向量序列输入至情感判断模型，输出判断结果。

7.根据权利要求5所述的基于深度学习的评论词情感分析***，其特征在于，向量生成模块包括

训练准备单元，用于获取词向量训练文本；

向量生成单元，用于将词向量训练文本输入词向量模型进行训练，得到词向量生成模型。

8.根据权利要求5所述的基于深度学习的评论词情感分析***，其特征在于，情感判断模块包括

模型构建单元，用于构建情感分析模型；

模型训练单元，用于利用情感倾向词对情感分析模型进行训练，得到情感判断模型。

9.根据权利要求5所述的基于深度学习的评论词情感分析***，其特征在于，向量扩展模块包括

词典构建单元，用于构建领域情感词典；

特征提取单元，用于提取不同领域情感词典中的情感倾向词，根据情感倾向词类型生成情感倾向词典，其中，情感倾向词典包括正面情感词典、负面情感词典、程度词典和否定词典。