CN109213861B - 结合At_GRU神经网络与情感词典的旅游评价情感分类方法 - Google Patents

结合At_GRU神经网络与情感词典的旅游评价情感分类方法 Download PDF

Info

Publication number
CN109213861B
CN109213861B CN201810862476.4A CN201810862476A CN109213861B CN 109213861 B CN109213861 B CN 109213861B CN 201810862476 A CN201810862476 A CN 201810862476A CN 109213861 B CN109213861 B CN 109213861B
Authority
CN
China
Prior art keywords
emotion
word
dictionary
evaluation
tourism
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810862476.4A
Other languages
English (en)
Other versions
CN109213861A (zh
Inventor
曹渝昆
巢俊乙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201810862476.4A priority Critical patent/CN109213861B/zh
Publication of CN109213861A publication Critical patent/CN109213861A/zh
Application granted granted Critical
Publication of CN109213861B publication Critical patent/CN109213861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法，用以根据游客对该旅行全程的评价文本实现旅游用户对旅游整体的评价语义分类，包括以下步骤：1)情感特征处理阶段：通过构建复合型旅游专用情感词典对旅游评论中的情感特征进行向量化处理；2)数据预处理阶段：对原始评论文本训练词向量并进行上下文向量拼接，将拼接后的向量与向量化后的情感特征进行融合，作为双向GRU神经网络的输入；3)双向GRU文本语义分类模型阶段：训练双向GRU神经网络并对旅游评价情感进行分类。与现有技术相比，本发明具有精确度高、考虑情感词典的准确度和机器学习的鲁棒性等优点。

Description

结合At_GRU神经网络与情感词典的旅游评价情感分类方法
技术领域
本发明涉及自然语言处理及深度学习领域，尤其是涉及一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法。
背景技术
旅游线路评价是记录游客于旅行网站对某景点制定的特定旅行线路的反馈，是最直接表达旅客对该条旅行线路的满意程度或建议意见，垂直连接旅客与旅游网站的纽带。通过旅游线路评价，旅客可以详细阐述该线路对行程安排、住宿情况、交通安排等供其他旅客借鉴，旅游公司也可以直接听取意见，快速响应改善、调整该条旅行线路等细节，提升服务、加强旅客的满意度。因此快速准确地对旅游线路评价进行详细的分析、处理并得出精准的评价等级及分类可以极大提高旅行线路优化速度，缩短反馈间隙，同时降低人工分析费用并有效提升旅行公司的服务质量。
旅游线路评价信息是记录旅客反馈的重要信息，主要表现为短文本形式的自然语言段落。同时近年来，关于自然语言处理技术一直处于高速发展，尤其以文本语义分析作为重要研究对象尤为突出，文本语义分析即对文本进行结构化提取、分析和理解，从语义层面进行关联，从而准确理解文本含义。语义分析方法包括传统方法与深度学习方法，其中深度学习相较于传统方法可以提取更多有效的文本特征，以及更高的准确率。在国内外都有大量学者做过相关研究，何有世提出基于决策树的多特征组合语义挖掘，夏名首等人采用ICTCLAS分词技术以及词频统计进行商品评价特征挖掘，但未能引用深度学习训练，因而也不能很好的提取更精准的特征，李杰等人采用CNN模型进行短文本分析，但未能充分利用上下文语义信息，造成分类不够准确问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法。
本发明的目的可以通过以下技术方案来实现：
一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法，用以根据游客对该旅行全程的评价文本实现旅游用户对旅游整体的评价语义分类，包括以下步骤：
1)情感特征处理阶段：通过构建复合型旅游专用情感词典对旅游评论中的情感特征进行向量化处理；
2)数据预处理阶段：对原始评论文本训练词向量并进行上下文向量拼接，将拼接后的向量与向量化后的情感特征进行融合，作为双向GRU神经网络的输入；
3)双向GRU文本语义分类模型阶段：训练双向GRU神经网络并对旅游评价情感进行分类。
所述的步骤1)具体包括以下步骤：
11)构建复合型旅游专用情感词典：统计多种现有的情感词典，并合并其中的相同极性词语，形成复合型情感词典，分别对复合情感词典和分词后的旅游评价词向量化，并获取词典中每个单词与旅游评价所有单词的欧式距离，选择距离相近的作为相近同类情感词，融合形成复合型旅游专用情感词典；
12)语义逻辑规则处理：读取旅游评论，以中英文标点符号作为分句标识对评论进行分句，并根据分句的词性获取每个分句的情感值M(m1,m2,m3,m4,m5)，m1-m5分别为该分句中是否包含否定词、程度副词和情感词，最后结合每个分句的情感值作为该条评论的情感极性；
13)情感特征向量化：将处理好的分句的情感极性进行增维并向量化。
所述的步骤11)中，现有的情感词典包括清华大学词典、知网Hownet情感词典和台湾大学简体中文情感词典。
所述的步骤2)具体包括以下步骤：
21)分词、去除停用词以及训练词向量：将原始评论文本信息定义为S，包含构成的词语集W(w1,w2,...,wn)，n为句子S的词语数量，采用ICTCLAS工具对原始评论文本分词后并去除停用词，采用Word2vec工具对词语集W(w1,w2,...,wn)进行词向量训练，每个词语wi表示为50维度的词向量形式；
22)结合拼接上下文向量：定义句子中第i个单词wi左边包含的所有剩余句子信息为Cl(wi)，右边剩余句子信息为Cr(wi)，将其转化为词向量后生成结合拼接后的50维度词向量；
23)特征向量融合：将结合拼接后的50维度词向量和向量化后的情感特征进行数量积处理融合形成最终的55维度词向量，并将其作为GRU网络的输入。
所述的步骤22)中，具体的定义表达式为：
cl(wi)＝f(W(l)cl(wi-1)+W(sl)e(wi-1))
cr(wi)＝f(W(r)cr(wi+1)+W(sr)e(wi+1))
其中，W(l)W(r)为将隐藏层，即上下文转换为下一个隐藏层的矩阵，W(sl)为用于组合当前单词与下一个单词左边文本关系语义的矩阵，W(sr)为用于组合当前单词与上一个单词右边文本关系语义的矩阵，f为非线性激活函数，cl(wi-1)为第i-1个单词wi-1左边包含的所有剩余句子信息，e(wi-1)为第i-1个单词wi-1的词向量形式，e(wi+1)为第i+1个单词wi+1的词向量形式，cr(wi+1)为第i+1个单词wi+1右边包含的所有剩余句子信息。
所述的步骤3)具体包括以下步骤：
31)训练双向GRU网络：构建双向GRU网络，将55维度词向量训练集分别从句子正向与反向载入At_GRU模型中，并进行参数调优完成训练；
32)对于已训练完成的双向GRU网络模型，将新的旅游用户评价进行数据预处理成为词向量，并载入模型中进行情感分类，实现对每条用户评价的自然语言情感分析，最终展现形式为在导游服务、是否强制消费、交通线路、行程安排和住宿餐饮5个维度的进行满意、一般、不满意三种程度的情感极性分类，并分别用1，0，-1表示，展现每条旅游线路旅客对该5个维度的体验反馈。
与现有技术相比，本发明具有以下优点：
一、通过构建旅游专属词典，提供了极大的神经网络的训练语料库，相比原有的通用情感词典，更能增加分类精度。
二、通过词向量拼接形式加强上下文语义联系并结合基于语义逻辑规则产生的情感极性特征，通过特定融合公式，产生全新的特征向量。使其既有情感词典的准确度也有机器学习的鲁棒性。
三、通过双向GRU神经网络训练，相比传统单向神经网络，正向反向更能有效解析句子的语义信息。
附图说明
图1为语义逻辑结构图。
图2为词向量上下文拼接结构图。
图3模型框架结构流程图。
具体实施方式
本发明提出一种高精确度、具有学习性的结合At_GRU神经网络与情感词典的旅游评价情感分类方法，如图3所示，包括三个大步骤：
一、情感特征处理阶段
(1)旅游情感词典构建：统计清华大学词典、知网Hownet情感词典、台湾大学简体中文情感词典等多种情感词典，合并相同极性词语、丰富不同极性词语，完善打造复合型情感词典，之后分别词向量化复合情感词典与分词后的旅游评价，并计算词典中每个单词与旅游评价所有单词的欧式距离，选择距离相近的作为相近同类情感词，并最后融合打造复合型旅游专用情感词典。
(2)语义逻辑规则处理：读取每一条旅游评论，以中英文标点符号(.。,，？？！！)作为分句标识对评论进行分句；对评论的每个分句获取情感值，计算分析过程如图1所示，图中，Y表示情感值为1，N表示情感值为0，对每个分句的情感值在是否含有否定词、程度副词、情感词、感叹句、反问句维度进行分析，积极的用“1”表示，消极的用“-1”表示，中立用“0”表示，并形成5维向量作为该条评论的情感极性向量。
(3)情感特征向量化：将处理好的分句的情感极性进行增维并词向量化。
二、数据预处理阶段
(1)分词、停用词去除及词向量训练：将原始文本信息定义为S，包含构成的词语集W(w1,w2,...,wn)，n代表句子S的词语数量。在使用ICTCLAS工具对原始文本分词及去除停用词后，使用Word2vec工具对词语集W(w1,w2,...,wn)进行词向量训练，每个词语wi生成维度为50的词向量形式。
(2)结合拼接上下文向量：定义句子中第i个单词wi左边包含的所有剩余句子信息为Cl(wi)，右边剩余句子信息为Cr(wi)，将其转化为词向量后生成结合拼接后的50维度词向量，具体的定义表达式为：
cl(wi)＝f(W(l)cl(wi-1)+W(sl)e(wi-1))
cr(wi)＝f(W(r)cr(wi+1)+W(sr)e(wi+1))
其中，W(l)W(r)为将隐藏层，即上下文转换为下一个隐藏层的矩阵，W(sl)为用于组合当前单词与下一个单词左边文本关系语义的矩阵，W(sr)为用于组合当前单词与上一个单词右边文本关系语义的矩阵，f为非线性激活函数，cl(wi-1)为第i-1个单词wi-1左边包含的所有剩余句子信息，e(wi-1)为第i-1个单词wi-1的词向量形式，e(wi+1)为第i+1个单词wi+1的词向量形式，cr(wi+1)为第i+1个单词wi+1右边包含的所有剩余句子信息；
三、双向GRU文本语义分类模型阶段
(1)双向GRU网络训练：构建双向GRU网络，将55维度词向量训练集Y{y1,y2,...,yn}分别从句子正向与反向载入At_GRU模型中，形成双向模型训练。
(2)***载入已训练完成的网络模型，之后针对新的旅游用户评价载入模型中，模型对其进行情感分类，实现对每条用户评价在路线规划、是否强制消费、交通便利、时间安排等维度进行满意、一般、不满意三种程度的情感极性分类，为游客对该旅游线路的几个较为关注的方面有清晰直观的了解，提供更好的线路决策。
实施例
针对以下旅游评论文本“不愧是国内四大园林之一！无论是规模还是布景，无一不体现出江南特有的小桥流水人家，亭台楼阁多秀丽，曲径通幽石径斜！水中荷塘...”。实施以下几个步骤：
1、数据预处理
1)对数据进行分词、噪声去除等处理，最终产生如下结果：
“不愧国内四大园林！无论是规模布景，无一体现江南特有小桥流水，亭台楼阁秀丽，曲径通幽石径斜！水中荷塘北方荷叶大上一倍，荷花摇曳生辉，十几天.....”
2)对每个单词进行词向量训练，生成50维词向量，如下：
“园林0.15164 0.30177 -0.16763 0.17684 0.31719 0.33973 -0.43478 -0.31086 -0.44999 -0.29486 0.16608 0.11963 -0.41328”
3)拼接每个单词与其上下文关联的单词的词向量，生成全新的50维度词向量
2、情感特征处理阶段
1)针对已存在的数种知名情感词典，如“知网homenet情感词典、台湾大学简体中文情感词典、清华大学情感词典等”进行整理并整合。
2)词向量化情感词典中每个单词，并计算与第一步骤中产生的评价词向量的欧式距离，挑选与每个情感词典中相似度接近10％的单词，形成并构建专属的旅游情感词典。
3)基于专属旅游情感词典，对每句旅游评价进行情感极性的分析与处理，分析是否还有程度副词、反问词等，如有标“1”，没有标“0”，并最终生成6维向量，如“0，1，1.1，0，0，1”。
4)与第一步骤产生的词向量进行融合处理，最终产生55维词向量V1“0.317190.33973 -0.43478 -0.31086 -0.44999 -0.29486 0.16608 -0.41328....”。
3、双向GRU文本语义分类模型阶段
1)构建GRU神经网络，并载入训练集词向量V1
2)训练网络，并进行人工调参，最终生成模型M
3)载入测试集，并最终产生分类效果R(1，0，1，-1，0)。
本发明通过词向量拼接形式加强上下文语义联系并结合基于语义逻辑规则产生的情感极性特征，通过融合产生全新的特征向量。使其既有情感词典的准确度也有机器学习的鲁棒性。实验结果证明所提出的语义分类方法具备较高的精确度。

Claims (2)

1.一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法，用以根据游客对该旅行全程的评价文本实现旅游用户对旅游整体的评价语义分类，其特征在于，包括以下步骤：
1)情感特征处理阶段：通过构建复合型旅游专用情感词典对旅游评论中的情感特征进行向量化处理，具体包括以下步骤：
11)构建复合型旅游专用情感词典：统计多种现有的情感词典，并合并其中的相同极性词语，形成复合型情感词典，分别对复合情感词典和分词后的旅游评价词向量化，并获取词典中每个单词与旅游评价所有单词的欧式距离，选择距离相近的作为相近同类情感词，融合形成复合型旅游专用情感词典；
12)语义逻辑规则处理：读取旅游评论，以中英文标点符号作为分句标识对评论进行分句，并根据分句的词性获取每个分句的情感值，结合每个分句的情感值作为该条评论的情感极性；
13)情感特征向量化：将处理好的分句的情感极性进行增维并向量化；
2)数据预处理阶段：对原始评论文本训练词向量并进行上下文向量拼接，将拼接后的向量与向量化后的情感特征进行融合，作为双向GRU神经网络的输入，具体包括以下步骤：
21)分词、去除停用词以及训练词向量：将原始评论文本信息定义为S，包含构成的词语集W(w1,w2,...,wn)，n为句子S的词语数量，采用ICTCLAS工具对原始评论文本分词后并去除停用词，采用Word2vec工具对词语集W(w1,w2,...,wn)进行词向量训练，每个词语wi表示为50维度的词向量形式；
22)结合拼接上下文向量：定义句子中第i个单词wi左边包含的所有剩余句子信息为Cl(wi)，右边剩余句子信息为Cr(wi)，将其转化为词向量后生成结合拼接后的50维度词向量，具体的定义表达式为：
cl(wi)＝f(W(l)cl(wi-1)+W(sl)e(wi-1))
cr(wi)＝f(W(r)cr(wi+1)+W(sr)e(wi+1))
其中，W(l)W(r)为将隐藏层，即上下文转换为下一个隐藏层的矩阵，W(sl)为用于组合当前单词与下一个单词左边文本关系语义的矩阵，W(sr)为用于组合当前单词与上一个单词右边文本关系语义的矩阵，f为非线性激活函数，cl(wi-1)为第i-1个单词wi-1左边包含的所有剩余句子信息，e(wi-1)为第i-1个单词wi-1的词向量形式，e(wi+1)为第i+1个单词wi+1的词向量形式，cr(wi+1)为第i+1个单词wi+1右边包含的所有剩余句子信息；
23)特征向量融合：将结合拼接后的50维度词向量和向量化后的情感特征进行数量积处理融合形成最终的55维度词向量，并将其作为GRU网络的输入；
3)双向GRU文本语义分类模型阶段：训练双向GRU神经网络并对旅游评价情感进行分类，具体包括以下步骤：
31)训练双向GRU网络：构建双向GRU网络，将55维度词向量训练集分别从句子正向与反向载入At_GRU模型中，并进行参数调优完成训练；
32)对于已训练完成的双向GRU网络模型，将新的旅游用户评价进行数据预处理成为词向量，并载入模型中进行情感分类，实现对每条用户评价的自然语言情感分析，最终展现形式为在导游服务、是否强制消费、交通线路、行程安排和住宿餐饮5个维度的进行满意、一般、不满意三种程度的情感极性分类，并分别用1，0，-1表示，展现每条旅游线路旅客对该5个维度的体验反馈。
2.根据权利要求1所述的一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法，其特征在于，所述的步骤11)中，现有的情感词典包括清华大学词典、知网Hownet情感词典和台湾大学简体中文情感词典。
CN201810862476.4A 2018-08-01 2018-08-01 结合At_GRU神经网络与情感词典的旅游评价情感分类方法 Active CN109213861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810862476.4A CN109213861B (zh) 2018-08-01 2018-08-01 结合At_GRU神经网络与情感词典的旅游评价情感分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810862476.4A CN109213861B (zh) 2018-08-01 2018-08-01 结合At_GRU神经网络与情感词典的旅游评价情感分类方法

Publications (2)

Publication Number Publication Date
CN109213861A CN109213861A (zh) 2019-01-15
CN109213861B true CN109213861B (zh) 2022-03-29

Family

ID=64987780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810862476.4A Active CN109213861B (zh) 2018-08-01 2018-08-01 结合At_GRU神经网络与情感词典的旅游评价情感分类方法

Country Status (1)

Country Link
CN (1) CN109213861B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858973A (zh) * 2019-02-18 2019-06-07 成都中科大旗软件有限公司 一种区域旅游产业发展的分析方法
CN109948665B (zh) * 2019-02-28 2020-11-27 中国地质大学（武汉） 基于长短时记忆神经网络的人体活动类型分类方法及***
CN110059922A (zh) * 2019-03-11 2019-07-26 北京比速信息科技有限公司 基于互联网游客点评数据的线上满意度评价方法
CN109933664B (zh) * 2019-03-12 2021-09-07 中南大学 一种基于情感词嵌入的细粒度情绪分析改进方法
CN110019882B (zh) * 2019-03-18 2022-01-28 新浪网技术(中国)有限公司 一种广告创意分类方法及***
CN110083825A (zh) * 2019-03-21 2019-08-02 昆明理工大学 一种基于gru模型的老挝语情感分析方法
CN110083829A (zh) * 2019-04-03 2019-08-02 平安科技（深圳）有限公司 情感极性分析方法及相关装置
CN110196976B (zh) * 2019-05-10 2020-10-16 新华三大数据技术有限公司 文本的情感倾向分类方法、装置和服务器
CN110245299B (zh) * 2019-06-19 2022-02-08 中国人民解放军国防科技大学 一种基于动态交互注意力机制的序列推荐方法及其***
CN110717090A (zh) * 2019-08-30 2020-01-21 昆山市量子昆慈量子科技有限责任公司 一种旅游景点网络口碑评价方法、***及电子设备
CN111259651A (zh) * 2020-01-21 2020-06-09 北京工业大学 一种基于多模型融合的用户情感分析方法
CN111340385A (zh) * 2020-03-10 2020-06-26 深圳华侨城创新研究院有限公司 测量旅游景区欢乐指数的科学计量方法
CN112711664B (zh) * 2020-12-31 2022-09-20 山西三友和智慧信息技术股份有限公司 一种基于tcn+lstm的文本情感分类方法
CN113033186B (zh) * 2021-05-31 2021-08-17 江苏联著实业股份有限公司 一种基于事件分析的纠错预警方法及***
CN116533529B (zh) * 2023-05-12 2023-09-29 湖州东尼新能源有限公司 超声波焊接pc片的智能化控制方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104572892A (zh) * 2014-12-24 2015-04-29 中国科学院自动化研究所 一种基于循环卷积网络的文本分类方法
CN107168945A (zh) * 2017-04-13 2017-09-15 广东工业大学 一种融合多特征的双向循环神经网络细粒度意见挖掘方法
CN107609132A (zh) * 2017-09-18 2018-01-19 杭州电子科技大学 一种基于语义本体库中文文本情感分析方法
CN108108433A (zh) * 2017-12-19 2018-06-01 杭州电子科技大学 一种基于规则和数据网络融合的情感分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104572892A (zh) * 2014-12-24 2015-04-29 中国科学院自动化研究所 一种基于循环卷积网络的文本分类方法
CN107168945A (zh) * 2017-04-13 2017-09-15 广东工业大学 一种融合多特征的双向循环神经网络细粒度意见挖掘方法
CN107609132A (zh) * 2017-09-18 2018-01-19 杭州电子科技大学 一种基于语义本体库中文文本情感分析方法
CN108108433A (zh) * 2017-12-19 2018-06-01 杭州电子科技大学 一种基于规则和数据网络融合的情感分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多元特征融合和 LSTM神经网络的中文评论情感分析;李科;《中国优秀硕士学位论文全文数据库信息科技辑》;20180115;论文第3-4章 *

Also Published As

Publication number Publication date
CN109213861A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109213861B (zh) 结合At_GRU神经网络与情感词典的旅游评价情感分类方法
CN109933664B (zh) 一种基于情感词嵌入的细粒度情绪分析改进方法
CN106777275B (zh) 基于多粒度语义块的实体属性和属性值提取方法
CN107092596B (zh) 基于attention CNNs和CCR的文本情感分析方法
CN109829159B (zh) 一种古汉语文本的一体化自动词法分析方法及***
CN109766544B (zh) 基于lda和词向量的文档关键词抽取方法和装置
CN108563638B (zh) 一种基于主题识别和集成学习的微博情感分析方法
CN109977413A (zh) 一种基于改进cnn-lda的情感分析方法
CN111931506B (zh) 一种基于图信息增强的实体关系抽取方法
CN110276054B (zh) 一种保险文本结构化实现方法
CN110362819B (zh) 基于卷积神经网络的文本情感分析方法
CN112231472B (zh) 融入领域术语词典的司法舆情敏感信息识别方法
CN110717341B (zh) 一种以泰语为枢轴的老-汉双语语料库构建方法及装置
CN111897917B (zh) 基于多模态自然语言特征的轨道交通行业术语提取方法
CN107818173B (zh) 一种基于向量空间模型的中文虚假评论过滤方法
CN112818698B (zh) 一种基于双通道模型的细粒度的用户评论情感分析方法
CN112434164B (zh) 一种兼顾话题发现和情感分析的网络舆情分析方法及***
CN111159342A (zh) 一种基于机器学习的公园文本评论情绪打分方法
CN106446147A (zh) 一种基于结构化特征的情感分析方法
CN110119443A (zh) 一种面向推荐服务的情感分析方法
CN114139533A (zh) 一种面向中文小说领域的文本内容审核方法
CN112561718A (zh) 基于BiLSTM权重共享的案件微博评价对象情感倾向性分析方法
CN110321434A (zh) 一种基于词义消歧卷积神经网络的文本分类方法
CN113312922A (zh) 一种改进的篇章级三元组信息抽取方法
CN107451116B (zh) 一种移动应用内生大数据统计分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant