CN110309506A - 语句分析方法、装置、电子设备及可读存储介质 - Google Patents
语句分析方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110309506A CN110309506A CN201910452945.XA CN201910452945A CN110309506A CN 110309506 A CN110309506 A CN 110309506A CN 201910452945 A CN201910452945 A CN 201910452945A CN 110309506 A CN110309506 A CN 110309506A
- Authority
- CN
- China
- Prior art keywords
- sentence
- affective characteristics
- final
- sentiment orientation
- estimate
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本申请提供了一种语句方法、装置、电子设备及可读存储介质,旨在对语句进行分析时,提高对语句情感预测的准确性。该方法包括:根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征;根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验;根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种语句分析方法、装置、电子设备及可读存储介质。
背景技术
随着自然语言处理技术的发展,越来越多的电商平台和人机交互平台将自然语言处理技术应用于智能客服、评论投诉、检索以及建立用户画像等实际应用场景,目的是提取消费者和操作者等用户对某事、某物以及某人的态度,从而快速发现潜在的问题,以方便进一步快速响应此问题。
以电商平台为例,电商平台通过获取消费者对商品或服务的评价语句,借助自然语言处理技术,推测在此条评价语句中,消费者针对该商品或服务产生的情感倾向,如正向情感或负向情感。电商平台根据消费者对商品或服务的情感倾向,及时响应或及时调整既定动作。
相关技术中,在对自然语句进行语句分析,预测该条自然语句所蕴含的情感时,相关技术能做到从该条语句的字面上预测出该条语句的字面情感,而不能预测该条语句情感倾向。
发明内容
本申请实施例提供一种语句分析方法、装置、电子设备及可读存储介质,旨在对语句进行分析时,提高对语句情感预测的准确性。
本申请实施例第一方面提供了一种语句分析方法,所述方法包括:
根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征;
根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验;
根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征。
可选地,根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征,包括:
在所述语句的预估情感特征无效的情况下,确定所述语句的预估情感特征对应的情感倾向;
对所述情感倾向进行更新,并将更新后的预估情感特征确定为所述语句的最终情感特征,所述情感倾向为正向或负向,更新前后的情感倾向呈反向关系。
可选地,根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征,包括:
在所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
可选地,对所述情感倾向进行更新,包括:
根据所述语句的上一语句的初始情感特征、所述语句的初始情感特征、所述语句的下一语句的初始情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行再次检验;
在再次验证所述语句的预估情感特征无效的情况下,对所述情感倾向进行更新。
可选地,所述方法还包括:
在再次验证所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
可选地,根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验,包括:
在所述语句与所述语句的上一语句之间的逻辑关系为并列或递进关系的情况下,确定第一情感倾向与第二情感倾向是否同向;
在所述语句与所述语句的上一语句之间的逻辑关系为转折关系的情况下,确定所述第一情感倾向与所述第二情感倾向是否反向;
其中,所述语句的预估情感特征对应的情感倾向为所述第一情感倾向,所述语句的上一语句的最终情感特征对应的情感倾向为所述第二情感倾向。
可选地,在根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征之前,所述方法还包括:
对包括多个分句的整句进行划分,将划分得到的任一分句确定为所述语句。
可选地,所述方法还包括:
针对所述多个分句中的每个分句,根据该分句在所述整句中的顺序或该分句与上一分句之间的逻辑关系,为该分句的分配权重;
根据所述多个分句各自的最终情感特征和所述多个分句各自的权重,确定所述整句的情感特征。
可选地,在确定所述语句的最终情感特征之后,所述方法还包括:
根据所述语句的最终情感特征,对所述语句标记对应的情感特征标签。
本申请实施例第二方面提供一种语句分析装置,所述装置包括:
第一确定模块,用于根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征;
检验模块,用于根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验;
第二确定模块,用于根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征。
可选地,所述第二确定模块包括:
第一确定子模块,用于在所述语句的预估情感特征无效的情况下,确定所述语句的预估情感特征对应的情感倾向;
更新子模块,对所述情感倾向进行更新,并将更新后的预估情感特征确定为所述语句的最终情感特征,所述情感倾向为正向或负向,更新前后的情感倾向呈反向关系。
可选地,所述第二确定模块包括:
第二确定子模块,用于在所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
可选地,所述更新子模块包括:
检验子单元,用于根据所述语句的上一语句的初始情感特征、所述语句的初始情感特征、所述语句的下一语句的初始情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行再次检验;
更新子单元,用于在再次验证所述语句的预估情感特征无效的情况下,对所述情感倾向进行更新。
可选地,所述装置还包括:
第三确定模块,用于在再次验证所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
可选地,所述检验模块包括:
第三确定子模块,用于在所述语句与所述语句的上一语句之间的逻辑关系为并列或递进关系的情况下,确定第一情感倾向与第二情感倾向是否同向;
第四确定子模块,用于在所述语句与所述语句的上一语句之间的逻辑关系为转折关系的情况下,确定所述第一情感倾向与所述第二情感倾向是否反向;
其中,所述语句的预估情感特征对应的情感倾向为所述第一情感倾向,所述语句的上一语句的最终情感特征对应的情感倾向为所述第二情感倾向。
可选地,所述装置还包括:
划分模块,用于对包括多个分句的整句进行划分,将划分得到的任一分句确定为所述语句。
可选地,所述装置还包括:
分配模块,用于针对所述多个分句中的每个分句,根据该分句在所述整句中的顺序或该分句与上一分句之间的逻辑关系,为该分句的分配权重;
第四确定模块,用于根据所述多个分句各自的最终情感特征和所述多个分句各自的权重,确定所述整句的情感特征。
可选地,所述装置还包括:
标记模块,用于根据所述语句的最终情感特征,对所述语句标记对应的情感特征标签。
本申请实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请第一方面所述的方法的步骤。
相关技术在进行语句分析时,仅从该条语句的字面上预测该条语句的情感,不能准确预测该条语句的情感倾向。与相关技术相比,本申请实施例提供的语句分析方法中,在根据语句的句式特征和初始情感特征确定了语句的预估情感特征后,还会利用该语句与该语句的上一语句之间的逻辑关系,对该语句的预估情感特征进行检验,并根据检验结果,确定该语句的最终情感特征。
其中,初始情感特征反应了该语句的字面情感,句式特征、以及该语句与该语句的上一语句之间的逻辑关系反应了语句的结构,因此本申请在确定语句的最终情感特征时,不仅考虑了语句的字面感情,还结合了语句结构,考虑了语句结构对语句情感的影响,本申请对于具有复杂语句结构的语句,如反讽句和反问句,能更准确地预测出其实际的情感倾向,从而提高了对语句情感预测的准确性。
由于本申请提供的语句分析方法能更准确地预测出语句实际的情感倾向,因此本申请提供的方法可以应用于智能客服、评论投诉等场景,更准确地确定消费者针对某一服务或商品的情感,从而快速发现潜在的问题,以方便进一步快速响应此问题。此外,本申请提供的方法还可以应用于机器学习领域的模型训练中,采用本申请提供的方法对训练集中的样本语句的情感倾向进行自动标注,提高了标注准确度,并且相比人工标注,提高了标注效率。将该训练集进一步用于训练模型,可以得出准确度更高的语句分析模型,进而提升语句分析的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的语句分析方法的流程图;
图2是本申请一实施例提出的语句分析方法的流程图;
图3是本申请一实施例提出的语句分析方法的流程图;
图4是本申请一实施例提出的语句分析装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请发明人发现,相关技术中,在对语句进行分析时,仅能根据语句的字面意思预测语句的字面情感,这对于例如反讽句、反问句等结构复杂的语句,预测结果不准确。例如针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这一评价语句,相关技术根据这一评价语句中的各语句的字面意思,对各语句得出以下预测:第一语句为负向情感,第二语句为负向情感,第三语句为正向情感,第四语句为负向情感。但实际情况是,第三语句是一个反讽句,其情感倾向也为负向。因此相关技术在语句进行分析时,对语句的情感倾向的预测结果是不够准确的。
发明人针对其所发现的问题,提出在获得语句的字面情感后,还结合该语句的语句结构对该字面情感进行调整,以确定最终情感倾向,提高了对语句情感预测的准确性。
参考图1,图1是本申请一实施例提出的语句分析方法的流程图。如图1所示,该方法包括以下步骤:
步骤S11:根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征。
本实施例中,句式特征可以包括陈述句特征和疑问句特征。其中,陈述句为广义陈述句,例如祈使句、感叹句等非疑问句都属于广义疑问句的范畴。例如针对“可以替我预定一桌生日宴吗?”这一语句,其句式特征为疑问句特征。又例如针对“这家店的环境很不错”这一语句,其句式特征为陈述句特征。初始情感特征是指语句的字面情感。例如针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这一评价语句中的每个语句,各语句的初始情感特征分别是:负向情感、负向情感、正向情感和负向情感。
预估情感特征是根据句式特征和初始情感特征而确定的中间结果。预估情感特征至少包括两种情感倾向,分别是正向的情感倾向和负向的情感倾向。
本实施例中,所述语句可以是文字语句,也可以是语音语句。应当理解的,本申请对语句的具体形式不做限定,语句的具体形式不应解释为对本申请保护范围的限定。
本实施例中,可利用现有的任意算法或工具预先确定语句的句式特征和初始情感特征。例如,可选用正则表达式、开源语法分析规则或经过训练而得到的分析模型等工具,预先准确地确定出语句的句式特征和初始情感特征。
以预先确定语句的句式特征为例,将该语句输入句式分析模型中,根据句式分析模型的输出结果,确定该语句的句式特征。其中,句式分析模型是经过预先训练而得到的。例如在训练时,可以首先收集多个样本语句;然后针对多个样本语句中的每个样本语句,对该样本语句进行标注,以表征该样本语句是肯定句还是否定句;再将每个样本语句转化成神经网络算法可计算和传递的数据结构,例如可选用Word2Vec模型将每个样本语句转换成一个词向量;最后将多个词向量输入预设模型中,对该预设模型进行监督训练,从而得到句式分析模型,其中预设模型可以选用LSTM(Long Short-Term Memory),卷积神经网络CNN,GRU(Gated Recurrent Unit)等模型。
作为一种可实施方式的举例,在根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征时,当语句的句式特征为陈述句,且初始情感特征为情感倾向为正向的初始情感特征时,则将预估情感特征确定为情感倾向为正向的预估情感特征。当语句的句式特征为陈述句,且初始情感特征为情感倾向为负向的初始情感特征时,则将预估情感特征确定为情感倾向为负向的预估情感特征。当语句的句式特征为疑问句时,不论初始情感特征为情感倾向为正向的初始情感特征,还是为情感倾向为负向的初始情感特征,均将预估情感特征确定为情感倾向为负向的预估情感特征。
例如对于“这家店的环境很好,服务nice,只是菜品太贵,而且还不好吃”这一评价语句中的第四语句,预先确定出该语句的句式特征为陈述句,该语句的初始情感特征为情感倾向为负向的初始情感特征时,则将预估情感特征确定为情感倾向为负向的预估情感特征。
作为另一种可实施方式的举例,可以利用分值表征句式特征,例如句式特征的区间为(0,1),当语句的句式特征越接近于疑问句时,句式特征越接近于0;当语句的句式特征越接近于陈述句时,句式特征越接近于1。
可以利用分值表征初始情感特征,例如初始情感特征的区间为(0,1),当语句的初始情感特征的情感倾向接近于负向时,初始情感特征越接近于0;当语句的初始情感特征的情感倾向接近于正向时,初始情感特征越接近于1。
可以利用分值表征预估情感特征。示例地,在根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征时,可以采用算式:Pi=Fi×Si计算语句的预估情感特征。其中,i指整条评价语句中的第i语句在该整条评价语句中的位次,Fi指第i语句的句式特征,Si指第i语句的初始情感特征。预估情感特征的区间为(0,1),当语句的预估情感特征的情感倾向接近于负向时,预估情感特征越接近于0;当语句的预估情感特征的情感倾向接近于正向时,预估情感特征越接近于1。
例如对于“这家店的环境很好,服务nice,只是菜品太贵,而且还不好吃”这一评价语句中的“而且还不好吃”这一语句,其位次i为4,其句式特征F(4)为0.9,其初始情感特征S(4)为0.05,计算出其预估情感特征P(4)为0.9*0.05=0.045。
步骤S12:根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验。
本实施例中,预估情感特征的有效性用于表征预估情感特征与实际情感之间是否一致。如果经过检验而得出的结果是,预估情感特征无效,则表示预估情感特征与实际情感不一致。如果经过检验而得出的结果是,预估情感特征有效,则表示预估情感特征与实际情感一致。
本实施例中,逻辑关系可以包括:并列关系、递进关系和转折关系。例如针对“这家店的环境很好,服务nice,只是菜品太贵,而且还不好吃”这一评级语句,其中的第三语句与第二语句之间的逻辑关系为转折关系,第四语句与第三语句之间的逻辑关系为递进关系。可利用现有的任意算法或工具预先确定所述语句与所述语句的上一语句之间的逻辑关系,例如可选用正则表达式、开源语法分析规则或经过训练而得到的分析模型等工具,预先确定所述语句与所述语句的上一语句之间的逻辑关系。
以选用开源语法分析规则为例,为了确定所述语句与所述语句的上一语句之间的逻辑关系,可以建立如下表达式:
“不仅…而且…”、“并且”等表达式对应递进关系;
“虽然…但是…”、“然而”、“不过”等表达式对应转折关系。
示例地,可以将除递进关系和转折关系以外的其他逻辑关系,作为并列关系。
本实施例中,针对某一评价语句中所包含的各条语句,按照从前至后的顺序,依次借助本申请提出的语句分析方法对每条语句进行语句分析。例如针对“这家店的环境很好,服务nice,只是菜品太贵,而且还不好吃”这一评价语句中的第四语句进行语句分析时,由于其中的第三语句已经经过步骤S11至步骤S13,确定出其最终情感特征。因此针对第四语句,可以利用第四语句的预估情感特征、第三语句的最终情感特征、以及第四语句与第三语句之间的逻辑关系等已知条件,对第四语句的预估情感特征的有效性进行检验。
作为一种可实施方式的举例,在根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验时,可具体包括以下步骤:
S121:在所述语句与所述语句的上一语句之间的逻辑关系为并列或递进关系的情况下,确定第一情感倾向与第二情感倾向是否同向;
S122:在所述语句与所述语句的上一语句之间的逻辑关系为转折关系的情况下,确定所述第一情感倾向与所述第二情感倾向是否反向;
其中,所述语句的预估情感特征对应的情感倾向为所述第一情感倾向,所述语句的上一语句的最终情感特征对应的情感倾向为所述第二情感倾向。
示例地,针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这一评价语句中的第三语句进行语句分析时,预先确定出了第三语句与第二语句之间的逻辑关系为并列关系,由于逻辑关系为并列关系,因此在一般情况下,第三语句的预估情感特征对应的预估情感倾向应该于第二语句的最终情感特征对应的最终情感倾向同向。实际上,第二语句的最终情感倾向为负向,而第三语句的预估情感倾向为正向,两者不同向,此时可以得出的检验结果是:第三语句的预估情感特征无效,第三语句很可能是一个反讽句。
示例地,针对“这家店的环境很好,服务nice,只是菜品太贵,而且还不好吃”这一评价语句中的第三语句进行语句分析时,预先确定出了第三语句与第二语句之间的逻辑关系为转折关系,由于逻辑关系为转折关系,因此在一般情况下,第三语句的预估情感特征对应的预估情感倾向应该于第二语句的最终情感特征对应的最终情感倾向反向。实际上,第二语句的最终情感倾向为正向,第三语句的预估情感倾向为负向,两者反向,此时可以得出的检验结果是:第三语句的预估情感特征有效。
作为另一种可实施方式的举例,在预估情感特征和最终情感特征均采用分值的形式表征的情况下,其中,预估情感特征的区间为(0,1),当语句的预估情感特征的情感倾向接近于负向时,预估情感特征越接近于0;当语句的预估情感特征的情感倾向接近于正向时,预估情感特征越接近于1。最终情感特征的区间也为(0,1),当语句的最终情感特征的情感倾向接近于负向时,最终情感特征越接近于0;当语句的最终情感特征的情感倾向接近于正向时,最终情感特征越接近于1。示例地,可采用以下判断条件,对语句的预估情感特征的有效性进行检验:
当逻辑关系为并列关系时,判断|Ji-1-Pi|<α是否成立,如果成立,则语句的预估情感特征有效;
当逻辑关系为递进关系时,判断是否成立,如果成立,则语句的预估情感特征有效;
当逻辑关系为转折关系时,判断|1-Ji-1-Pi|<α是否成立,如果成立,则语句的预估情感特征有效;
其中,i指整条评价语句中的第i语句在该整条评价语句中的位次,Pi指第i语句的预估情感特征,Ji-1第i-1语句的最终情感特征,即第i语句的上一语句的最终情感特征,α指预设阈值,例如可以设置为0.5。如果想提高检验结果的准确率,可以调低预设阈值α,如调整为0.3。
此外,需要说明的是,除前述的针对某一评价语句中所包含的各条语句,按照从前至后的顺序,依次借助本申请提出的语句分析方法对每条语句进行语句分析,从而可以在对第i语句进行语句分析时,预先得到第i-1语句的最终情感特征Ji-1,以参与对第i语句的预估情感特征的有效性检验。本实施例中,还可以采用其他手段预先获得第i-1语句的最终情感特征。例如可人工地确定第i-1语句的实际情感,并将该实际情感作为第i-1语句的最终情感特征,以参与对第i语句的预估情感特征的有效性检验。或者,例如还可以直接利用第i-1语句的初始情感特征或预估情感特征代替i-1语句的最终情感特征,以参与对第i语句的预估情感特征的有效性检验。
示例地,针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这一评价语句中的第三语句进行语句分析时,预先确定出了第三语句与第二语句之间的逻辑关系为并列关系,第二语句的最终情感特征Ji-1等于0.05,第三语句的预估情感特征Pi等于0.9,将以上数值带入判断条件|Ji-1-Pi|<α,其中α=0.5,判断条件不成立,此时可以得出的检验结果是:第三语句的预估情感特征无效,第三语句很可能是一个反讽句。
示例地,针对“这家店的环境很好,服务nice,只是菜品太贵,而且还不好吃”这一评价语句中的第三语句进行语句分析时,预先确定出了第三语句与第二语句之间的逻辑关系为转折关系,第二语句的最终情感特征Ji-1等于0.9,第三语句的预估情感特征Pi等于0.2,将以上数值带入判断条件|1-Ji-1-Pi|<α,其中α=0.5判断条件成立,此时可以得出的检验结果是:第三语句的预估情感特征有效。
示例地,针对“这家店环境很不错,菜品味道也很好吃,能不给好评吗?”这一评价语句中的第三语句进行语句分析时,预先确定出了第三语句与第二语句之间的逻辑关系为并列关系,第二语句的最终情感特征Ji-1等于0.95,根据步骤S11中的另一种可实施方式的举例,由于第三语句的句式特征为疑问句,因此预先确定其预估情感特征接近于0,例如等于0.05,将以上数值带入判断条件|Ji-1-Pi|<α,其中α=0.5,判断条件不成立,此时可以得出的检验结果是:第三语句的预估情感特征无效,第三语句很可能是一个反问句。
S13:根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征。
本实施例中,最终情感特征指语句的实际情感特征,最终情感特征至少包括两种情感倾向,分别为正向的情感倾向和负向的情感倾向。例如针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这一评价语句中的第三语句,其最终情感特征为负向情感。
本实施例中,在所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
示例地,在语句的预估情感特征以正向的情感倾向或负向的情感倾向表征的情况下,例如以“pos”标记表征情感倾向为正向的预估情感特征,以“neg”标记表征情感倾向为负向的预估情感特征。如果语句的预估情感特征“pos”经过步骤S12检验后,确定其有效,则将该语句的预估情感特征作为该语句的最终情感特征,该语句的最终情感特征被表征为“pos”。
示例地,在语句的预估情感特征采用分值的形式表征的情况下,如果语句的预估情感特征0.1经过步骤S12检验后,确定其有效,则将该语句的预估情感特征作为该语句的最终情感特征,该语句的最终情感特征为0.1。
本实施例中,在所述语句的预估情感特征无效的情况下,可以执行以下步骤:
S131:确定所述语句的预估情感特征对应的情感倾向;
S132:对所述情感倾向进行更新,并将更新后的预估情感特征确定为所述语句的最终情感特征,所述情感倾向为正向或负向,更新前后的情感倾向呈反向关系。
示例地,在语句的预估情感特征以正向的情感倾向或负向的情感倾向表征的情况下,例如以“pos”标记表征情感倾向为正向的预估情感特征,以“neg”标记表征情感倾向为负向的预估情感特征。如果语句的预估情感特征“pos”经过步骤S12检验后,确定其无效,则将与该语句的预估情感特征相反的情感特征作为该语句的最终情感特征,该语句的最终情感特征被表征为“neg”。
示例地,在语句的预估情感特征采用分值的形式表征的情况下,如果语句的预估情感特征0.1经过步骤S12检验后,确定其无效,则将与该语句的预估情感特征相反的情感特征作为该语句的最终情感特征,该语句的最终情感特征为1-0.1,等于0.9。
本实施例中,对于评价语句中包含的多个语句中的第一句,可以不利用步骤S12中提出的方法对其预估情感特征进行检测,而直接将其预估情感特征作为其最终情感特征。
考虑到在实际应用中,具有复杂结构的语句可能符合常规的表达方式,也可能不符合常规的表达方式,为了进一步提高语句分析的准确度,本实施例所提供的语句分析方法中,在步骤S132对所述情感倾向进行更新时,具体可以包括以下步骤:
S132a:根据所述语句的上一语句的初始情感特征、所述语句的初始情感特征、所述语句的下一语句的初始情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行再次检验;
S132b:在再次验证所述语句的预估情感特征无效的情况下,对所述情感倾向进行更新;
S132c:在再次验证所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
本实施例中,针对一条评价语句中所包含的各条语句分别进行语句分析前,预先确定出每条语句的初始情感特征,以及确定出每条语句与其上一语句之间的逻辑关系。在对各条语句进行语句分析时,按照从前至后的顺序依次对每条语句进行语句分析。
本实施例中,可具体采用以下判断条件,对语句的预估情感特征的有效性再次进行检验:判断
Pi-1<0.5&Pi>0.5&Li~i-1>0.5&Pi+1<0.5或者,
Pi-1>0.5&Pi<0.5&Li~i-1<0.5&Pi+1>0.5
中是否有不等式成立,如果两个不等式中的某一个成立,则验证语句的预估情感特征无效。如果两个不等式均不成立,则验证语句的预估情感特征有效。其中,&指“与运算”,i指整条评价语句中的第i语句在该整条评价语句中的位次,Pi-1指第i-1语句的预估情感特征,Pi指第i语句的预估情感特征,Li~i-1指第i语句与第i-1语句之间的逻辑关系,Pi+1指第i+1语句的预估情感特征。Li~i-1的区间也是(-1,1),当逻辑关系接近于并列或递进关系时,Li~i-1接近于1,当逻辑关系接近于转折关系时,Li~i-1接近于-1。
示例地,针对“这是一家湘菜馆,他们做的湘菜很好吃,但是他们做的川菜也很地道,有点惊喜呢”这一评价语句中的第三语句进行语句分析时,预先确定第三语句与第二语句之间的逻辑关系为转折关系,假设第二语句的最终情感特征为0.9,第三语句的预估情感特征为0.8,则经过步骤S121和步骤S122后,得出的检测结果是:第三语句的预估情感特征无效。
在得出“第三语句的预估情感特征无效”这一检测结果后,本实施例中,在步骤S132对上述第三语句的情感倾向进行更新时,由于上述评价语句的四条语句都已经预先确定出各自的初始情感特征,以及确定出每条语句与其上一语句之间的逻辑关系。因此针对第三语句,可以利用第二语句的初始情感特征、第三语句的初始情感特征、第四语句的初始情感特征、以及第三语句与第二语句之间的逻辑关系等已知条件,对所述语句的预估情感特征的有效性进行再次检验。其中,第三语句与第二语句之间的逻辑关系为转折关系,等于-0.9,例如第二语句的初始情感特征等于0.9,第三语句的预估情感特征为0.8,第四语句的预估情感特征为0.9,将以上数值带入:
Pi-1<0.5&Pi>0.5&Li~i-1>0.5&Pi+1<0.5,以及
Pi-1>0.5&Pi<0.5&Li~i-1<0.5&Pi+1>0.5
两个不等式均不成立,则验证第三语句的预估情感特征实际是有效的,S132放弃对第三语句的情感倾向的更新,并将第三语句的预估情感特征0.8作为第三语句的最终情感特征。
示例地,针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这一评价语句中的第三语句进行语句分析时,经过步骤S12,得出的检验结果是:第三语句的预估情感特征无效,第三语句很可能是一个反讽句。在步骤S132对上述第三语句的情感倾向进行更新时,由于第三语句与第二语句之间的逻辑关系为并列关系,等于0.9,例如第二语句的初始情感特征等于0.05,第三语句的预估情感特征为0.9,第四语句的预估情感特征为0.05,将以上数值带入:
Pi-1<0.5&Pi>0.5&Li~i-1>0.5&Pi+1<0.5和,
Pi-1>0.5&Pi<0.5&Li~i-1<0.5&Pi+1>0.5
其中,第二个不等式成立,则第三语句的预估情感特征无效,确定第三语句为反讽句,步骤S132需要对所述情感倾向进行更新。
通过执行步骤S132a至步骤S132c,在对语句的预估情感特征的有效性再次进行检验时,不仅依据了上一语句的情感、本句情感、本句与上一语句之间的逻辑关系,还依据了下一语句的情感,检验条件更严格,能提高对非常规表达方式的情感预测的准确性。
通过执行步骤S11至步骤S13,其中,初始情感特征反应了该语句的字面情感,句式特征、以及该语句与该语句的上一语句之间的逻辑关系反应了语句的结构,因此本申请在确定语句的最终情感特征时,不仅考虑了语句的字面感情,还结合了语句结构,考虑了语句结构对语句情感的影响,本申请对于具有复杂语句结构的语句,如反讽句和反问句,能更准确地预测出其实际的情感倾向,从而提高了对语句情感预测的准确性。
由于本申请提供的语句分析方法能更准确地预测出语句实际的情感倾向,因此本申请提供的方法可以应用于智能客服、评论投诉等场景,更准确地确定消费者针对某一服务或商品的情感,从而快速发现潜在的问题,以方便进一步快速响应此问题。此外,本申请提供的方法还可以应用于机器学习领域的模型训练中,采用本申请提供的方法对训练集中的样本语句的情感倾向进行自动标注,提高了标注准确度,并且相比人工标注,提高了标注效率。将该训练集进一步用于训练模型,可以得出准确度更高的语句分析模型,进而提升语句分析的准确度。
此外,参考参考图2,图2是本申请一实施例提出的语句分析方法的流程图。如图2所示,在包括步骤S11至步骤S13的前提下,该方法还包括以下步骤:
S10:对包括多个分句的整句进行划分,将划分得到的任一分句确定为所述语句。
示例地,针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这条评价语句进行划分,得到“这家店环境很差”、“服务员态度恶劣”、“菜太好吃了”以及“我都要吐了”这四个分句。并将每个分句作为一个语句,从而可以针对该分句执行步骤S11至步骤S13。
通过执行步骤S10至步骤S13,可以将整句划分为多个分句,针对多个分句中的每个分句。通过步骤S11至S13确定该分句的最终情感特征,可以细化地得到整句中的各分句的情感倾向,提高了对整句情感分析的细粒度。
在一种实施方式中,在确定了包括多个分句的整句中每个分句的最终情感特征后,一实施例提供的语句分析方法还可以包括以下步骤,以确定整句的情感特征:
S141:针对所述多个分句中的每个分句,根据该分句在所述整句中的顺序或该分句与上一分句之间的逻辑关系,为该分句的分配权重;
S142:根据所述多个分句各自的最终情感特征和所述多个分句各自的权重,确定所述整句的情感特征。
本实施例中,在根据该分句与上一分句之间的逻辑关系,为该分句的分配权重的情况下,可以在逻辑关系为递进关系或转折关系时,为该分句分配较大权重,在逻辑关系为并列关系时,为该分句分配较小权重。此种分配权重的方式更符合常规的语句表达方式,使确定出的整句的情感特征更符合实际情况。
示例地,针对“这家的番茄炒蛋好吃,番茄煎蛋汤也还行,但是西红柿炖牛腩不好吃”这一整句,确定其情感特征时,其三个分句中的第一分句的逻辑关系为空,第二分句与第一分句之间的逻辑关系为并列关系,第三分句与第二分句之间的逻辑关系为转折关系,确定三个分句的最终情感特征分别等于0.8、0.6和0.2,假设第一分句的权重默认为1/(2*分句数量)=1/6,假设并列关系对应的分句权重与转折关系对应的分句权重之间的比值为1:2,相应的,第二分句的权重为5/18,第三分句的权重为10/18,整句的情感特征等于0.8*1/6+0.6*5/18+0.2*10/18=0.41,小于0.5,整句的情感倾向为偏负向,更符合消费者评价时的实际情感倾向。
本实施例中,在根据该分句在所述整句中的顺序,为该分句的分配权重的情况下,可以为靠后的分句分配较大的权重,为靠前的分句分配较小的权重。此种分配权重的方式更符合常规的语句表达方式,使确定出的整句的情感特征更符合实际情况。
示例地,针对“这家店环境很不错,服务很好,就是菜太难吃了,下次不来了”这一整句,确定其情感特征时,例如其四个分句的最终情感特征分别等于0.9、0.9、0.1和0.1,各分句的权重按照在整句中的前后顺序递增,分别为0.1、0.2、0.3、0.4,则计算出整句的情感特征等于0.34,整句的情感倾向为偏负向,更符合消费者评价时的实际情感倾向。
考虑到相关技术中,有时需要对某一预设模型进行监督训练,以得到目标模型。在监督训练前,需要对每条样本语句进行标注,以表征该语句的情感特征。标注的过程可以通过手动标注,也可以借助已有的情感分析模型标注。本申请发明人发现,当前存在的问题是,如果对大量样本语句均通过手动标注,虽然标注较准确,但是工作量很大,人工效率较低。如果对大量样本语句均采用已有的情感分析模型标注,虽然效率较高,但是已有的情感分析模型仅能识别语句的字面感情,对于结构复杂的语句,如反讽句、反问句等,已有的情感分析模型对其的情感特征标注不准确。
为了进一步解决上述问题,参考参考图3,图3是本申请一实施例提出的语句分析方法的流程图。如图3所示,在包括步骤S11至步骤S13的前提下,该方法还包括以下步骤:
S15:根据所述语句的最终情感特征,对所述语句标记对应的情感特征标签。
本实施例中,由于通过步骤S11至步骤S13,对语句进行分析时,能更准确地确定语句的最终情感特征,因此依据步骤S11至步骤S13所确定的语句的最终情感特征,对语句标记对应的情感特征标签,可以进一步解决相关技术中对语句进行情感特征标注时,标注不准确的问题。
示例地,针对“这家店环境很差,服务员态度恶劣,菜太好吃了,我都要吐了”这一语句,通过步骤S11至步骤S13,各分句的最终情感特征均为负向情感。通过步骤S15,为各分句标记对应的标签,各分句的标签分别是:负向、负向、负向以及负向。
基于同一发明构思,本申请一实施例提供一种语句分析装置。参考图4,图4是本申请一实施例提供的语句分析装置的示意图。如图4所示,该装置包括:
第一确定模块41,用于根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征;
检验模块42,用于根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验;
第二确定模块43,用于根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征。
可选地,所述第二确定模块包括:
第一确定子模块,用于在所述语句的预估情感特征无效的情况下,确定所述语句的预估情感特征对应的情感倾向;
更新子模块,对所述情感倾向进行更新,并将更新后的预估情感特征确定为所述语句的最终情感特征,所述情感倾向为正向或负向,更新前后的情感倾向呈反向关系。
可选地,所述第二确定模块包括:
第二确定子模块,用于在所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
可选地,所述更新子模块包括:
检验子单元,用于根据所述语句的上一语句的初始情感特征、所述语句的初始情感特征、所述语句的下一语句的初始情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行再次检验;
更新子单元,用于在再次验证所述语句的预估情感特征无效的情况下,对所述情感倾向进行更新。
可选地,所述装置还包括:
第三确定模块,用于在再次验证所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
可选地,所述检验模块包括:
第三确定子模块,用于在所述语句与所述语句的上一语句之间的逻辑关系为并列或递进关系的情况下,确定第一情感倾向与第二情感倾向是否同向;
第四确定子模块,用于在所述语句与所述语句的上一语句之间的逻辑关系为转折关系的情况下,确定所述第一情感倾向与所述第二情感倾向是否反向;
其中,所述语句的预估情感特征对应的情感倾向为所述第一情感倾向,所述语句的上一语句的最终情感特征对应的情感倾向为所述第二情感倾向。
可选地,所述装置还包括:
划分模块,用于对包括多个分句的整句进行划分,将划分得到的任一分句确定为所述语句。
可选地,所述装置还包括:
分配模块,用于针对所述多个分句中的每个分句,根据该分句在所述整句中的顺序或该分句与上一分句之间的逻辑关系,为该分句的分配权重;
第四确定模块,用于根据所述多个分句各自的最终情感特征和所述多个分句各自的权重,确定所述整句的情感特征。
可选地,所述装置还包括:
标记模块,用于根据所述语句的最终情感特征,对所述语句标记对应的情感特征标签。
基于同一发明构思,本申请另一实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种语句方法、装置、电子设备及可读存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种语句分析方法,其特征在于,所述方法包括:
根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征;
根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验;
根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征。
2.根据权利要求1所述的方法,其特征在于,根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征,包括:
在所述语句的预估情感特征无效的情况下,确定所述语句的预估情感特征对应的情感倾向;
对所述情感倾向进行更新,并将更新后的预估情感特征确定为所述语句的最终情感特征,所述情感倾向为正向或负向,更新前后的情感倾向呈反向关系。
3.根据权利要求1所述的方法,其特征在于,根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征,包括:
在所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
4.根据权利要求2所述的方法,其特征在于,对所述情感倾向进行更新,包括:
根据所述语句的上一语句的初始情感特征、所述语句的初始情感特征、所述语句的下一语句的初始情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行再次检验;
在再次验证所述语句的预估情感特征无效的情况下,对所述情感倾向进行更新。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在再次验证所述语句的预估情感特征有效的情况下,将所述语句的预估情感特征确定为所述语句的最终情感特征。
6.根据权利要求1所述的方法,其特征在于,根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验,包括:
在所述语句与所述语句的上一语句之间的逻辑关系为并列或递进关系的情况下,确定第一情感倾向与第二情感倾向是否同向;
在所述语句与所述语句的上一语句之间的逻辑关系为转折关系的情况下,确定所述第一情感倾向与所述第二情感倾向是否反向;
其中,所述语句的预估情感特征对应的情感倾向为所述第一情感倾向,所述语句的上一语句的最终情感特征对应的情感倾向为所述第二情感倾向。
7.根据权利要求1所述的方法,其特征在于,在根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征之前,所述方法还包括:
对包括多个分句的整句进行划分,将划分得到的任一分句确定为所述语句。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
针对所述多个分句中的每个分句,根据该分句在所述整句中的顺序或该分句与上一分句之间的逻辑关系,为该分句的分配权重;
根据所述多个分句各自的最终情感特征和所述多个分句各自的权重,确定所述整句的情感特征。
9.根据权利要求1-8任一所述的方法,其特征在于,在确定所述语句的最终情感特征之后,所述方法还包括:
根据所述语句的最终情感特征,对所述语句标记对应的情感特征标签。
10.一种语句分析装置,其特征在于,所述装置包括:
第一确定模块,用于根据语句的句式特征和初始情感特征,确定所述语句的预估情感特征;
检验模块,用于根据所述语句的预估情感特征、所述语句的上一语句的最终情感特征、以及所述语句与所述语句的上一语句之间的逻辑关系,对所述语句的预估情感特征的有效性进行检验;
第二确定模块,用于根据所述语句的预估情感特征的有效性,确定所述语句的最终情感特征。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9任一所述的方法中的步骤。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1-9任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910452945.XA CN110309506B (zh) | 2019-05-28 | 2019-05-28 | 语句分析方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910452945.XA CN110309506B (zh) | 2019-05-28 | 2019-05-28 | 语句分析方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309506A true CN110309506A (zh) | 2019-10-08 |
CN110309506B CN110309506B (zh) | 2021-04-27 |
Family
ID=68075304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910452945.XA Active CN110309506B (zh) | 2019-05-28 | 2019-05-28 | 语句分析方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309506B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020390A (ja) * | 2008-07-08 | 2010-01-28 | Toyota Central R&D Labs Inc | 感情推定装置及び感情推定プログラム |
CN102096680A (zh) * | 2009-12-15 | 2011-06-15 | 北京大学 | 信息有效性分析的方法和装置 |
CN102663046A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院自动化研究所 | 一种面向微博短文本的情感分析方法 |
CN103678278A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院计算机网络信息中心 | 一种中文文本情感识别方法 |
CN104008091A (zh) * | 2014-05-26 | 2014-08-27 | 上海大学 | 一种基于情感值的网络文本情感分析方法 |
CN108563625A (zh) * | 2018-01-04 | 2018-09-21 | 福建中金在线信息科技有限公司 | 文本分析方法、装置、电子设备和计算机存储介质 |
-
2019
- 2019-05-28 CN CN201910452945.XA patent/CN110309506B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020390A (ja) * | 2008-07-08 | 2010-01-28 | Toyota Central R&D Labs Inc | 感情推定装置及び感情推定プログラム |
CN102096680A (zh) * | 2009-12-15 | 2011-06-15 | 北京大学 | 信息有效性分析的方法和装置 |
CN102663046A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院自动化研究所 | 一种面向微博短文本的情感分析方法 |
CN103678278A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院计算机网络信息中心 | 一种中文文本情感识别方法 |
CN104008091A (zh) * | 2014-05-26 | 2014-08-27 | 上海大学 | 一种基于情感值的网络文本情感分析方法 |
CN108563625A (zh) * | 2018-01-04 | 2018-09-21 | 福建中金在线信息科技有限公司 | 文本分析方法、装置、电子设备和计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
邸鹏等: "《基于复杂句式的文本情感倾向性分析》", 《计算机应用与软件》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110309506B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rönkkö et al. | On the adoption of partial least squares in psychological research: Caveat emptor | |
TWI689871B (zh) | 梯度提升決策樹(gbdt)模型的特徵解釋方法和裝置 | |
CN108399158A (zh) | 基于依存树和注意力机制的属性情感分类方法 | |
CN109688110A (zh) | Dga域名检测模型构建方法、装置、服务器及存储介质 | |
CN106855853A (zh) | 基于深度神经网络的实体关系抽取*** | |
CN104572631B (zh) | 一种语言模型的训练方法及*** | |
CN109299228A (zh) | 计算机执行的文本风险预测方法及装置 | |
CN106649272A (zh) | 一种基于混合模型的命名实体识别方法 | |
CN107291840A (zh) | 一种用户属性预测模型构建方法和装置 | |
CN106844330B (zh) | 文章情感的分析方法和装置 | |
CN113128206A (zh) | 基于单词重要性加权的问题生成方法 | |
CN117272011A (zh) | 模型测评方法、装置、电子设备和存储介质 | |
CN110569355B (zh) | 一种基于词块的观点目标抽取和目标情感分类联合方法及*** | |
CN112036737A (zh) | 区域电量偏差的计算方法及装置 | |
KR101745874B1 (ko) | 학습코스 자동 생성 방법 및 시스템 | |
CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
CN111428125B (zh) | 排序方法、装置、电子设备及可读存储介质 | |
CN110309506A (zh) | 语句分析方法、装置、电子设备及可读存储介质 | |
Zhang et al. | An association network for computing semantic relatedness | |
CN108733702B (zh) | 用户查询上下位关系提取的方法、装置、电子设备和介质 | |
Mistler | A SAS macro for computing pooled likelihood ratio tests with multiply imputed data | |
Angel et al. | Limitations of function point analysis in E-Learning system estimation | |
CN113901203A (zh) | 一种文本分类方法、装置、电子设备及存储介质 | |
CN113886579B (zh) | 行业资讯正负面模型构建方法和***、识别方法和*** | |
CN109684458A (zh) | 一种语句向量的计算方法及装置 |
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 |