CN111783453B - 文本的情感信息处理方法及装置 - Google Patents
文本的情感信息处理方法及装置 Download PDFInfo
- Publication number
- CN111783453B CN111783453B CN202010621825.0A CN202010621825A CN111783453B CN 111783453 B CN111783453 B CN 111783453B CN 202010621825 A CN202010621825 A CN 202010621825A CN 111783453 B CN111783453 B CN 111783453B
- Authority
- CN
- China
- Prior art keywords
- emotion
- text
- sample
- predicted
- clause
- 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
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 796
- 230000010365 information processing Effects 0.000 title claims description 22
- 238000003672 processing method Methods 0.000 title description 4
- 238000009826 distribution Methods 0.000 claims abstract description 198
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 126
- 239000011159 matrix material Substances 0.000 claims description 106
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书一个或多个实施例公开了一种文本的情感信息处理方法及装置，以解决现有技术中情感倾向识别不准确、导致无法基于情感倾向信息准确调整业务参数的问题。方法包括：提取待预测文本中与业务相关的第一情感词，第一情感词包括正面情感词和负面情感词。以及，对待预测文本进行分句处理，得到待预测文本对应的第一分句。根据第一情感词及第一分句，确定待预测文本对应的第一情感词分布特征。根据第一情感词分布特征及预先训练的情感预测模型，确定待预测文本对应的第一情感倾向信息。根据第一情感倾向信息及第一分句对应的细粒度情感因子，确定待预测文本对应的第二情感倾向信息。向业务的业务处理平台发送第二情感倾向信息。
Description
技术领域
本说明书涉及信息处理技术领域，尤其涉及一种文本的情感信息处理方法及装置。
背景技术
随着移动互联网的兴起，电商、社区平台、短视频、直播等产品蓬勃发展，庞大的用户群体贡献了大量优质的UGC(User Generated Content，用户生成内容)，使得互联网具有开放性、虚拟性、隐蔽性、发散性、渗透性和随意性等特点。越来越多的用户喜欢通过互联网渠道来表达个人观点，例如对某一业务的处理效果表达自己是否满意或期望改进之处等意见，导致互联网逐渐成为舆情话题产生和传播的主要场所。同时，随着互联网上评论文本的***式增长，迫切需要计算机帮助用户加工整理这些情感信息，用户的这些情感信息会在一定程度上影响业务运行及发展，这使得情感分析研究具有重要的应用。
在与业务相关的文章或评论中，业务会大致把情感分成正面情感和负面情感，但中文的博大精深，使得文本中经常会包含隐义和显义的情感转折，这成为了情感判断的一种困难。例如“XX宝又改规则了最近，XX宝悄悄地又改规则了。张三研究了一下，一句话说就是‘以后XX宝理赔越来越难了’。但未必就是坏事吧，下面我们具体聊聊这次的新变化以及有什么影响。”。上述语句中由于包含了情感语句“越来越难”和“未必就是坏事”这两重不同的情感情绪，这些语句会对情感识别造成一种干扰，导致现有的情感识别方式很难识别出是正面情感还是负面情感。
发明内容
一方面，本说明书一个或多个实施例提供一种文本的情感信息处理方法，包括：提取待预测文本中与业务相关的第一情感词，所述第一情感词包括正面情感词和负面情感词。以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句。根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征。根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息，所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到。根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息。向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
另一方面，本说明书一个或多个实施例提供一种文本的情感信息处理装置，包括：提取模块，提取待预测文本中与业务相关的第一情感词，所述第一情感词包括正面情感词和负面情感词，以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句。第一确定模块，根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征。第二确定模块，根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息，所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到。第三确定模块，根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息。发送模块，向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
再一方面，本说明书一个或多个实施例提供一种文本的情感信息处理设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：提取待预测文本中与业务相关的第一情感词，所述第一情感词包括正面情感词和负面情感词。以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句。根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征。根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息，所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到。根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息。向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
再一方面，本申请实施例提供一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：提取待预测文本中与业务相关的第一情感词，所述第一情感词包括正面情感词和负面情感词。以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句。根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征。根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息，所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到。根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息。向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书一个或多个实施例中记载的一些实施例，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是根据本说明书一实施例的一种文本的情感信息处理方法的示意性流程图；
图2是根据本说明书一实施例的一种情感预测模型的训练方法的示意性流程图；
图3是根据本说明书另一实施例的一种文本的情感信息处理方法的示意性流程图；
图4是根据本说明书一实施例的一种文本的情感信息处理装置的示意性框图；
图5是根据本说明书一实施例的一种文本的情感信息处理设备的示意性框图。
具体实施方式
本说明书一个或多个实施例提供一种文本的情感信息处理方法及装置，以解决现有技术中情感倾向识别不准确、导致无法基于情感倾向信息准确调整业务参数的问题。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本说明书一个或多个实施例保护的范围。
图1是根据本说明书一实施例的一种文本的情感信息处理方法的示意性流程图，如图1所示，该方法包括：
S102，提取待预测文本中与业务相关的第一情感词，第一情感词包括正面情感词和负面情感词；以及，对待预测文本进行分句处理，得到待预测文本对应的第一分句。
其中，待预测文本可包括用户对业务的评论文本。待预测文本中与业务相关的第一情感词，即为待预测文本中包含的可能对业务参数产生一定影响的情感词。例如，某支付类应用的评论文本中，包含“越来越难”、“未必是坏事”等关键词，由于上述关键词表示用户对该支付类应用的个人观点，因此能够对该支付类应用的相关参数产生一定影响，例如可作为对相关参数进行调整的依据，因此上述关键词(即“越来越难”、“未必是坏事”)即可认为是与支付类应用相关的第一情感词。
与业务相关的第一情感词可预先根据业务经验确定。例如，预先确定出与业务相关的情感词包括：喜欢、悲伤、难过、乐观等。则在执行S102时，可根据预先确定的与业务相关的情感词从待预测文本中提取第一情感词。
正面情感词可表示用户对业务持有满意、支持、积极等正面观点，负面情感词可表示用户对业务持有不满意、反对、消极、差评、不看好等负面观点。
S104，根据第一情感词及第一分句，确定待预测文本对应的第一情感词分布特征。
其中，待预测文本对应的第一情感词分布特征包括各第一分句在各第一情感词上的分布特征。
S106，根据第一情感词分布特征及预先训练的情感预测模型，确定待预测文本对应的第一情感倾向信息。
其中，情感预测模型基于样本文本对应的样本情感词分布特征以及样本文本的样本情感倾向信息训练得到，样本情感倾向信息可由用户预先根据样本文本中所包含的情感词类别确定，情感词类别可包括正面情感词或负面情感词。
S108，根据第一情感倾向信息及第一分句对应的细粒度情感因子，确定待预测文本对应的第二情感倾向信息。
其中，细粒度情感因子可包括各第一分句分别对应的情感类别、第一分句中包含的指定类词语的数量、文本主体信息等。情感类别可包括正面情感或负面情感。
第一分句对应的情感类别可基于第一分句中包含的情感词的情感词信息，如情感词数量、情感词类别等。基于此，可预先确定各第一分句中包含的第一情感词，然后根据各第一分句中包含的第一情感词，确定各第一分句对应的情感词信息，该情感词信息可包括情感词数量、情感词类别等；进而根据各第一分句对应的情感词信息，确定各第一分句对应的情感类别。例如，第一分句中包含正面情感词的数量越多，则该第一分句对应的情感类别为正面情感的概率越大；反之，第一分句中包含负面情感词的数量越多，则该第一分句对应的情感类别为负面情感的概率越大。
指定类词语可包括转折词(如“但是”、“然而”)、感叹词(如“天啊”)等。第一分句的文本主体信息可以是与第一分句相关的业务主体信息，如业务类别、业务功能等。举例而言，假设待预测文本为对支付类应用A的评论文本，则该待预测文本中的第一分句的文本主体信息可以是支付类应用A的应用类别、应用名称、应用功能等信息。在一个实施例中，若第一分句中包含主体词，则文本主体信息还可根据主体词确定。
S110，向业务的业务处理平台发送第二情感倾向信息，以使业务处理平台基于第二情感倾向信息调整业务的业务参数。
采用本说明书一个或多个实施例的技术方案，通过情感预测模型预测出待预测文本对应的第一情感倾向信息后，能够综合考虑该第一情感倾向信息以及待预测文本的各个分句对应的细粒度情感因子，进一步确定出待预测文本对应的第二情感倾向信息，使得待预测文本对应的情感倾向信息与文本中每句话的细粒度情感因子相关，而不再是仅依赖于单一的情感二分类模型(即仅能将情感倾向划分为正面情感或负面情感)，从而提升情感倾向信息的分析的准确率。进一步地，通过将准确分析出的情感倾向信息发送至业务处理平台，使得业务处理平台能够基于准确的情感倾向信息调整业务参数，从而提升业务参数调整的准确率。
此外，由于情感倾向模型是基于样本文本对应的样本情感词分布特征以及样本文本的样本情感倾向信息训练得到的，因此，根据情感倾向模型预测出的待预测文本的第二情感信息后，该待预测文本可作为新的样本文本，且该待预测文本的第二情感信息可作为新的样本情感倾向信息，进而利用新的样本文本及其对应的新的样本情感倾向信息对情感预测模型进行更新及优化，从而使基于情感预测模型预测出的文本情感倾向信息更加准确。
下面首先介绍情感预测模型的训练方法。
在一个是实施例中，可按照图2所示的步骤训练情感预测模型。如图2所示，包括以下步骤：
S201，提取样本文本中与业务相关的样本情感词，以及确定样本情感词对应的样本情感词向量。
其中，样本文本可包括用户对业务的评论文本。样本情感词包括正面样本情感词和负面样本情感词。
样本文本中与业务相关的样本情感词，即为样本文本中包含的可能对业务参数产生一定影响的情感词。例如，某支付类应用的评论文本中，包含“越来越难”、“未必是坏事”等关键词，由于上述关键词表示用户对该支付类应用的个人观点，因此能够对该支付类应用的相关参数产生一定影响，例如可作为对相关参数进行调整的依据，因此上述关键词(即“越来越难”、“未必是坏事”)即可作为样本情感词被提取。
与业务相关的情感词可预先根据业务经验确定。例如，预先确定出与业务相关的情感词包括：喜欢、悲伤、难过、乐观等。则在执行S201时，可根据预先确定的与业务相关的情感词从样本文本中提取样本情感词。
该步骤中，可利用现有的词向量生成方法生成样本情感词对应的样本情感词向量，现有的词向量生成方法这里不再赘述。
S202，对样本文本进行分句分词处理，得到样本文本包含的样本分句及各样本分句中包含的样本分词，以及基于样本分词对应的词向量，生成样本文本对应的样本句子向量。
其中，分句分词处理包括分句处理和分词处理，例如针对样本文本“麻烦您帮大姨合并帖子吧，辛苦您了，多谢”，经过分句分词处理后，可得到以下样本分句及各样本分句中包含的样本分词：“麻烦您，帮，大姨，合并，帖子，‘，’，辛苦，您，了，‘，’，多谢”。
该步骤中，可利用现有的句子向量生成方法生成样本句子向量，现有的句子向量生成方法这里不再赘述。
S203，根据样本句子向量及样本情感词向量，并通过注意力机制确定各样本分句分别对应的样本情感词分布信息。
其中，样本情感词分布信息包括各样本分句在各样本情感词上的分布信息。
在一个实施例中，样本情感词分布信息包括样本情感词分布向量。基于此，可通过将样本句子向量与样本情感词向量作为注意力机制的输入数据，即可确定出各样本分句在各样本情感词上的概率分布值，从而根据各样本分句在各样本情感词上的概率分布值，生成各样本分句分别对应的样本情感词分布向量，该样本情感词分布向量中的各元素表示各样本分句在各样本情感词上的概率分布值。
例如，样本文本中包括n个样本分句和m个样本情感词。将n个样本分句对应的样本句子向量和m个样本情感词对应的样本情感词向量作为注意力机制的输入数据，即可确定出n个样本分句分别在m个样本情感词上的概率分布值。该概率分布值可采用0到1之间的数值表示。
假设对于样本分句向量ai，其对应的样本分句在m个样本情感词上的概率分布值分别为pi1、pi2、…、pim，则该样本分句对应的样本情感词分布向量即为(pi1，pi2，…，pim)。
S204，根据样本句子向量及样本情感词分布信息，确定样本文本对应的样本情感词分布特征。
其中，可按照如下步骤A1-A4执行S204。
步骤A1，根据各样本分句分别对应的样本情感词分布向量，生成样本文本对应的样本情感词分布矩阵，该样本情感词分布矩阵中的各行元素分别对应各样本分句分别对应的样本情感词分布向量。
沿用上述举例，若样本分句向量ai对应的样本情感词分布向量为(pi1，pi2，…，pim)，则可生成n*m的样本情感词分布矩阵，其中，样本情感词分布矩阵的行数n即为样本文本中样本分句的数量，列数m即为样本文本中样本情感词的数量。
以n＝2，m＝2为例，样本分句向量a1对应的样本情感词分布向量为(p11，p12)，样本分句向量a2对应的样本情感词分布向量为(p21，p22)，则可生成如下2*2的样本情感词分布矩阵：
步骤A2，计算样本句子向量与样本情感词分布矩阵的乘积，得到样本情感预测矩阵，该样本情感预测矩阵的列数等于样本文本中样本情感词的数量。
沿用上述举例，假设样本句子向量为(a1，a2)，对应的样本情感词分布矩阵为则通过计算(a1，a2)和/>的乘积，可得到样本情感预测矩阵：(a1*p11+a2*p12，a1*p21+a2*p22)。
步骤A3，对样本情感词预测矩阵进行元素平均计算，得到样本情感词预测矩阵对应的平均值矩阵；以及，对样本情感词预测矩阵进行元素最大值计算，得到样本情感词预测矩阵对应的最大值矩阵。
其中，元素平均计算即为对样本情感预测矩阵中的各元素求平均得到的值；元素最大值计算即为确定样本情感预测矩阵中的各元素中的最大值。
可选的，平均值矩阵和最大值矩阵均为一维向量。
步骤A4，按照预设组合方式，将平均值矩阵和最大值矩阵进行矩阵组合，得到样本文本对应的样本情感词分布特征。
其中，预设组合方式可以是将两个矩阵按照一定次序拼接的方式。
沿用上述举例，假设样本情感预测矩阵为(a1*p11+a2*p12，a1*p21+a2*p22)，即分别对样本情感预测矩阵(a1*p11+a2*p12，a1*p21+a2*p22)进行元素平均计算和元素最大值计算。假设对样本情感预测矩阵(a1*p11+a2*p12，a1*p21+a2*p22)进行元素平均计算后得到一维向量b1，对样本情感预测矩阵(a1*p11+a2*p12，a1*p21+a2*p22)进行元素最大值计算后得到一维向量b2，则通过将一维向量b1、b2拼接后可得到样本情感词分布特征(b1，b2)。
S205，根据样本情感词分布特征及样本文本的样本情感倾向信息，训练情感预测模型。
其中，样本文本的样本情感倾向信息可预先根据样本文本中包含的样本情感词的情感类别(如正面情感或负面情感)确定。
在使用情感预测模型预测了待预测文本的情感倾向信息后，还可将待预测文本作为新的样本文本，将该待预测文本的第二情感信息作为新的样本情感倾向信息，进而利用新的样本文本及其对应的新的样本情感倾向信息对情感预测模型进行更新及优化。
本实施例中，由于注意力机制能够识别出各样本分句在各样本情感词上的概率分布，且元素平均值及元素最大值计算方式能够在一定程度上反映样本文本在不同情感倾向的平均分布信息及最大值分布信息(即第哪种情感类别最倾向)，因此，通过注意力机制以及元素平均值、元素最大值计算方式，能够更加准确的确定出样本文本的样本情感词分布特征，从而使最终训练出的情感预测模型更准确。
训练出情感预测模型后，即可根据待预测文本的对应的第一情感词分布特征以及情感预测模型，预测待预测文本对应的第一情感倾向信息。其中，待预测文本的对应的第一情感词分布特征与样本文本对应的样本情感词分布特征的确定方式相同。
确定出待预测文本对应的第一情感倾向信息，根据该第一情感倾向信息及待预测文本中各第一分句对应的细粒度情感因子，确定待预测文本对应的第二情感倾向信息。其中，细粒度情感因子可包括各第一分句分别对应的情感类别、第一分句中包含的指定类词语的数量、文本主体信息等。情感类别可包括正面情感或负面情感。
图3是根据本说明书一具体实施例的一种文本的情感信息处理方法的示意性流程图，如图3所示，该方法包括：
S301，提取待预测文本中与业务相关的第一情感词，第一情感词包括正面情感词和负面情感词；以及，对待预测文本进行分句处理，得到待预测文本对应的第一分句。
S302，确定第一情感词对应的第一情感词向量，以及，生成待预测文本对应的第一句子向量。
其中，生成待预测文本对应的第一句子向量之前，可先对待预测文本进行分句及分词处理，得到待预测文本对应的第一分句及各第一分句对应的第一分词，进而根据第一分句及各第一分句对应的第一分词生成第一句子向量。可采用现有的句子向量生成方法生成上述第一句子向量，因此具体的句子向量生成方法不再赘述。
S303，根据第一句子向量及第一情感词向量，并通过注意力机制确定各第一分句分别对应的第一情感词分布信息。
其中，第一情感词分布信息包括各第一分句在各第一情感词上的分布信息。
在一个实施例中，第一情感词分布信息为第一情感词分布向量。因此执行S303时，可将第一句子向量与第一情感词向量作为注意力机制的输入数据，以确定出各第一分句在各第一情感词上的概率分布值，进而基于各第一分句在各第一情感词上的概率分布值，生成各第一分句分别对应的第一情感词分布向量。第一情感词分布向量的各元素表示对应的第一分句在各第一情感词上的概率分布值。
其中，生成各第一分句分别对应的第一情感词分布向量的方法与上述实施例中各样本分句对应的样本情感词分布向量的生成方法类似，此处不再赘述。
S304，根据第一句子向量及第一情感词分布信息，确定待预测文本对应的第一情感词分布特征。
在一个实施例中，执行S304时，可按照如下步骤B1-B4的方式执行：
步骤B1，根据各第一分句分别对应的第一情感词分布向量，生成待预测文本对应的第一情感词分布矩阵，该第一情感词分布矩阵中的各行元素分别对应各第一分句分别对应的第一情感词分布向量。
其中，待预测文本对应的第一情感词分布矩阵与上述实施例中样本文本对应的样本情感词分布矩阵的生成方法相同。
步骤B2，计算第一句子向量与第一情感词分布矩阵的乘积，得到第一情感预测矩阵；第一情感预测矩阵的列数等于待预测文本中第一情感词的数量。
其中，第一情感预测矩阵与上述实施例中样本情感预测矩阵的计算方法相同。
步骤B3，对第一情感词预测矩阵进行元素平均计算，得到第一情感词预测矩阵对应的平均值矩阵；以及，对第一情感词预测矩阵进行元素最大值计算，得到第一情感词预测矩阵对应的最大值矩阵。
其中，第一情感词预测矩阵对应的平均值矩阵以及最大值矩阵和上述实施例中样本情感词预测矩阵对应的平均值矩阵以及最大值矩阵的计算方法相同。
步骤B4，按照预设组合方式，将平均值矩阵和最大值矩阵进行矩阵组合，得到待预测文本对应的第一情感词分布特征。
其中，第一情感词分布特征的组合方法与上述实施例中样本情感词分布特征的组合方法类似。
S305，根据第一情感词分布特征及预先训练的情感预测模型，确定待预测文本对应的第一情感倾向信息。
其中，情感预测模型的训练方法已在上述实施例中详述，此处不再赘述。
S306，确定第一情感倾向信息及各细粒度情感因子分别对应的权重。
S307，按照确定的权重，对第一情感倾向信息及各细粒度情感因子进行加权计算，得到待预测文本对应的情感倾向值。
其中，预测文本的正负面情感倾向与情感倾向值之间正相关或负相关。
该步骤中，在进行加权计算之前，可首先对第一情感倾向信息及各细粒度情感因子赋值为能够进行加权计算的值。细粒度情感因子可包括各第一分句分别对应的情感类别(正面情感或负面情感)、第一分句中包含的指定类词语的数量、文本主体信息等。
在一个实施例中，第一情感倾向信息为第一情感倾向值，该第一情感倾向值的取值大小表示正面情感倾向的程度，即，第一情感倾向值越大，表明正面情感倾向的程度越高。
可预先建立情感类别和数值之间的对应关系。例如，用数值0表示负面情感类别，数值1表示正面情感类别。
第一分句的文本主体信息可以是与第一分句相关的业务主体信息，可预先建立文本主体信息和数值之间的对应关系，该对应关系的建立依据可以是文本主体信息对应的业务的业务类型。例如，文本主体信息对应的业务类型为A时，可对应数值1；文本主体信息对应的业务类型为B时，可对应数值2；等等。
当然，上述仅是示意性的列举了几种为细粒度情感因子赋值的方式。实际应用中，可根据相关业务需求为细粒度情感因子赋值，而并不局限于上述实施例中所列举的方式。
对第一情感倾向信息及各细粒度情感因子赋值后，即可按照对应的权重进行加权计算，加权计算后得到的情感倾向值，即可表征待预测文本的情感倾向。
待预测文本的正负面情感倾向指的是待预测文本倾向于正面情感或者倾向于负面情感。正负面情感倾向于情感倾向值之间的对应关系可预先设置为正相关或负相关。例如，设置为正面情感倾向与情感倾向值之间正相关，则情感倾向值越大，表明待预测文本对应的正面情感倾向程度越高；反之，情感倾向值越小，表明待预测文本对应的正面情感倾向程度越低。
S308，向业务的业务处理平台发送待预测文本对应的情感倾向值，以使业务处理平台基于该情感倾向值调整业务的业务参数。
该步骤中，待预测文本可以是用户针对业务的评论文本。待预测文本对应的情感倾向值反映了用户对业务的情感倾向信息，如情感倾向值高，表明用户对业务持有满意、支持、积极等正面观点；情感倾向值低，则表明用户对业务持有不满意、反对、消极、差评、不看好等负面观点。
业务处理平台基于评论文本对应的情感倾向值调整业务参数，例如，若情感倾向值较高，则可对该情感倾向值对应的业务参数进行细化、加强；若情感倾向值较低，则可对该情感倾向值对应的业务参数进行修改，以使调整后的业务能够更加贴合用户的业务处理需求。
综上可知，本实施例提供的技术方案中，待预测文本对应的情感倾向值与文本中每句话的细粒度情感因子相关，而不再是仅依赖于单一的情感二分类模型(即仅能将情感倾向划分为正面情感或负面情感)，从而提升情感倾向值的分析的准确率。进一步地，通过将准确分析出的情感倾向值发送至业务处理平台，使得业务处理平台能够基于准确的情感倾向值调整业务参数，从而提升业务参数调整的准确率。
综上，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的文本的情感信息处理方法，基于同样的思路，本说明书一个或多个实施例还提供一种文本的情感信息处理装置。
图4是根据本说明书一实施例的一种文本的情感信息处理装置的示意性框图，如图4所示，该装置包括：
第一提取模块410，提取待预测文本中与业务相关的第一情感词；所述第一情感词包括正面情感词和负面情感词；以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句；
第一确定模块420，根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征；
第二确定模块430，根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息；所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到；
第三确定模块440，根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息；
发送模块450，向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
在一个实施例中，所述细粒度情感因子包括以下至少一项：各所述第一分句分别对应的情感类别、所述第一分句中包含的指定类词语的数量、文本主体信息。
在一个实施例中，所述装置还包括：
第四确定模块，确定所述第一分句中包含的所述第一情感词；
第五确定模块，根据所述第一情感词，确定所述第一分句对应的情感词信息；所述情感词信息包括情感词数量和/或情感词类别；
第六确定模块，根据所述情感词信息，确定所述第一分句对应的所述情感类别。
在一个实施例中，所述第一确定模块420包括：
第一确定单元，确定所述第一情感词对应的第一情感词向量；以及，生成所述待预测文本对应的第一句子向量；
第二确定单元，根据所述第一句子向量及所述第一情感词向量，并通过注意力机制确定各所述第一分句分别对应的第一情感词分布信息；所述第一情感词分布信息包括各所述第一分句在各所述第一情感词上的分布信息；
第三确定单元，根据所述第一句子向量及所述第一情感词分布信息，确定所述待预测文本对应的所述第一情感词分布特征。
在一个实施例中，所述第一情感词分布信息包括第一情感词分布向量；
所述第二确定单元，将所述第一句子向量与所述第一情感词向量作为所述注意力机制的输入数据，以确定出各所述第一分句在各所述第一情感词上的概率分布值；基于各所述第一分句在各所述第一情感词上的概率分布值，生成各所述第一分句分别对应的所述第一情感词分布向量；所述第一情感词分布向量的各元素表示对应的所述第一分句在各所述第一情感词上的概率分布值。
在一个实施例中，所述第三确定单元：
根据各所述第一分句分别对应的所述第一情感词分布向量，生成所述待预测文本对应的第一情感词分布矩阵；所述第一情感词分布矩阵中的各行元素分别对应各所述第一分句分别对应的所述第一情感词分布向量；
计算所述第一句子向量与所述第一情感词分布矩阵的乘积，得到第一情感预测矩阵；所述第一情感预测矩阵的列数等于所述待预测文本中所述第一情感词的数量；
对所述第一情感词预测矩阵进行元素平均计算，得到所述第一情感词预测矩阵对应的平均值矩阵；以及，对所述第一情感词预测矩阵进行元素最大值计算，得到所述第一情感词预测矩阵对应的最大值矩阵；
按照预设组合方式，将所述平均值矩阵和所述最大值矩阵进行矩阵组合，得到所述待预测文本对应的所述第一情感词分布特征。
在一个实施例中，所述装置还包括：
第二提取模块，提取所述样本文本中与所述业务相关的所述样本情感词，以及确定所述样本情感词对应的样本情感词向量；所述样本情感词包括正面样本情感词和负面样本情感词；
处理及生成模块，对所述样本文本进行分句分词处理，得到所述样本文本包含的样本分句及各所述样本分句中包含的样本分词；基于所述样本分词对应的词向量，生成所述样本文本对应的样本句子向量；
第七确定模块，根据所述样本句子向量及所述样本情感词向量，并通过注意力机制确定各所述样本分句分别对应的样本情感词分布信息；所述样本情感词分布信息包括各所述样本分句在各所述样本情感词上的分布信息；
第八确定模块，根据所述样本句子向量及所述样本情感词分布信息，确定所述样本文本对应的样本情感词分布特征；
训练模块，根据所述样本情感词分布特征及所述样本文本的样本情感倾向信息，训练所述情感预测模型。
在一个实施例中，所述第三确定模块440包括：
第四确定单元，确定所述第一情感倾向信息及各所述细粒度情感因子分别对应的权重；
加权计算单元，按照所述权重，对所述第一情感倾向信息及各所述细粒度情感因子进行加权计算，得到所述待预测文本对应的情感倾向值；所述待预测文本的正负面情感倾向与所述情感倾向值之间正相关或负相关。
采用本说明书一个或多个实施例的装置，通过情感预测模型预测出待预测文本对应的第一情感倾向信息后，能够综合考虑该第一情感倾向信息以及待预测文本的各个分句对应的细粒度情感因子，进一步确定出待预测文本对应的第二情感倾向信息，使得待预测文本对应的情感倾向信息与文本中每句话的细粒度情感因子相关，而不再是仅依赖于单一的情感二分类模型(即仅能将情感倾向划分为正面情感或负面情感)，从而提升情感倾向信息的分析的准确率。进一步地，通过将准确分析出的情感倾向信息发送至业务处理平台，使得业务处理平台能够基于准确的情感倾向信息调整业务参数，从而提升业务参数调整的准确率。
本领域的技术人员应可理解，上述文本的情感信息处理装置能够用来实现前文所述的文本的情感信息处理方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。
基于同样的思路，本说明书一个或多个实施例还提供一种文本的情感信息处理设备，如图5所示。文本的情感信息处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对文本的情感信息处理设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在文本的情感信息处理设备上执行存储器502中的一系列计算机可执行指令。文本的情感信息处理设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。
具体在本实施例中，文本的情感信息处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对文本的情感信息处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
提取待预测文本中与业务相关的第一情感词；所述第一情感词包括正面情感词和负面情感词；以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句；
根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征；
根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息；所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到；
根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息；
向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
可选地，所述细粒度情感因子包括以下至少一项：各所述第一分句分别对应的情感类别、所述第一分句中包含的指定类词语的数量、文本主体信息。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
确定所述第一分句中包含的所述第一情感词；
根据所述第一情感词，确定所述第一分句对应的情感词信息；所述情感词信息包括情感词数量和/或情感词类别；
根据所述情感词信息，确定所述第一分句对应的所述情感类别。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
确定所述第一情感词对应的第一情感词向量；以及，生成所述待预测文本对应的第一句子向量；
根据所述第一句子向量及所述第一情感词向量，并通过注意力机制确定各所述第一分句分别对应的第一情感词分布信息；所述第一情感词分布信息包括各所述第一分句在各所述第一情感词上的分布信息；
根据所述第一句子向量及所述第一情感词分布信息，确定所述待预测文本对应的所述第一情感词分布特征。
可选地，所述第一情感词分布信息包括第一情感词分布向量；
计算机可执行指令在被执行时，还可以使所述处理器：
将所述第一句子向量与所述第一情感词向量作为所述注意力机制的输入数据，以确定出各所述第一分句在各所述第一情感词上的概率分布值；
基于各所述第一分句在各所述第一情感词上的概率分布值，生成各所述第一分句分别对应的所述第一情感词分布向量；所述第一情感词分布向量的各元素表示对应的所述第一分句在各所述第一情感词上的概率分布值。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
根据各所述第一分句分别对应的所述第一情感词分布向量，生成所述待预测文本对应的第一情感词分布矩阵；所述第一情感词分布矩阵中的各行元素分别对应各所述第一分句分别对应的所述第一情感词分布向量；
计算所述第一句子向量与所述第一情感词分布矩阵的乘积，得到第一情感预测矩阵；所述第一情感预测矩阵的列数等于所述待预测文本中所述第一情感词的数量；
对所述第一情感词预测矩阵进行元素平均计算，得到所述第一情感词预测矩阵对应的平均值矩阵；以及，对所述第一情感词预测矩阵进行元素最大值计算，得到所述第一情感词预测矩阵对应的最大值矩阵；
按照预设组合方式，将所述平均值矩阵和所述最大值矩阵进行矩阵组合，得到所述待预测文本对应的所述第一情感词分布特征。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
提取所述样本文本中与所述业务相关的所述样本情感词，以及确定所述样本情感词对应的样本情感词向量；所述样本情感词包括正面样本情感词和负面样本情感词；
对所述样本文本进行分句分词处理，得到所述样本文本包含的样本分句及各所述样本分句中包含的样本分词；基于所述样本分词对应的词向量，生成所述样本文本对应的样本句子向量；
根据所述样本句子向量及所述样本情感词向量，并通过注意力机制确定各所述样本分句分别对应的样本情感词分布信息；所述样本情感词分布信息包括各所述样本分句在各所述样本情感词上的分布信息；
根据所述样本句子向量及所述样本情感词分布信息，确定所述样本文本对应的样本情感词分布特征；
根据所述样本情感词分布特征及所述样本文本的样本情感倾向信息，训练所述情感预测模型。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
确定所述第一情感倾向信息及各所述细粒度情感因子分别对应的权重；
按照所述权重，对所述第一情感倾向信息及各所述细粒度情感因子进行加权计算，得到所述待预测文本对应的情感倾向值；所述待预测文本的正负面情感倾向与所述情感倾向值之间正相关或负相关。
本说明书一个或多个实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述文本的情感信息处理方法，并具体用于执行：
提取待预测文本中与业务相关的第一情感词；所述第一情感词包括正面情感词和负面情感词；以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句；
根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征；
根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息；所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到；
根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息；
向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、***、或计算机程序产品。因此，本说明书一个或多个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，本说明书一个或多个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。
本说明书一个或多个实施例是参照根据本申请实施例的方法、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设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (12)
1.一种文本的情感信息处理方法，包括：
提取待预测文本中与业务相关的第一情感词；所述第一情感词包括正面情感词和负面情感词；以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句；
根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征；
根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息；所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到；
根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息；
所述根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息，包括：
确定所述第一情感倾向信息及各所述细粒度情感因子分别对应的权重；按照所述权重，对所述第一情感倾向信息及各所述细粒度情感因子进行加权计算，得到所述待预测文本对应的情感倾向值；所述待预测文本的正负面情感倾向与所述情感倾向值之间正相关或负相关；所述细粒度情感因子包括以下至少一项：各所述第一分句分别对应的情感类别、所述第一分句中包含的指定类词语的数量、文本主体信息；
向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
2.根据权利要求1所述的方法，还包括：
确定所述第一分句中包含的所述第一情感词；
根据所述第一情感词，确定所述第一分句对应的情感词信息；所述情感词信息包括情感词数量和/或情感词类别；
根据所述情感词信息，确定所述第一分句对应的所述情感类别。
3.根据权利要求1所述的方法，所述根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征，包括：
确定所述第一情感词对应的第一情感词向量；以及，生成所述待预测文本对应的第一句子向量；
根据所述第一句子向量及所述第一情感词向量，并通过注意力机制确定各所述第一分句分别对应的第一情感词分布信息；所述第一情感词分布信息包括各所述第一分句在各所述第一情感词上的分布信息；
根据所述第一句子向量及所述第一情感词分布信息，确定所述待预测文本对应的所述第一情感词分布特征。
4.根据权利要求3所述的方法，所述第一情感词分布信息包括第一情感词分布向量；
所述根据所述第一句子向量及所述第一情感词向量，并通过注意力机制确定各所述第一分句分别对应的第一情感词分布信息，包括：
将所述第一句子向量与所述第一情感词向量作为所述注意力机制的输入数据，以确定出各所述第一分句在各所述第一情感词上的概率分布值；
基于各所述第一分句在各所述第一情感词上的概率分布值，生成各所述第一分句分别对应的所述第一情感词分布向量；所述第一情感词分布向量的各元素表示对应的所述第一分句在各所述第一情感词上的概率分布值。
5.根据权利要求4所述的方法，所述根据所述第一句子向量及所述第一情感词分布信息，确定所述待预测文本对应的所述第一情感词分布特征，包括：
根据各所述第一分句分别对应的所述第一情感词分布向量，生成所述待预测文本对应的第一情感词分布矩阵；所述第一情感词分布矩阵中的各行元素分别对应各所述第一分句分别对应的所述第一情感词分布向量；
计算所述第一句子向量与所述第一情感词分布矩阵的乘积，得到第一情感预测矩阵；所述第一情感预测矩阵的列数等于所述待预测文本中所述第一情感词的数量；
对所述第一情感词预测矩阵进行元素平均计算，得到所述第一情感词预测矩阵对应的平均值矩阵；以及，对所述第一情感词预测矩阵进行元素最大值计算，得到所述第一情感词预测矩阵对应的最大值矩阵；
按照预设组合方式，将所述平均值矩阵和所述最大值矩阵进行矩阵组合，得到所述待预测文本对应的所述第一情感词分布特征。
6.根据权利要求1所述的方法，还包括：
提取所述样本文本中与所述业务相关的所述样本情感词，以及确定所述样本情感词对应的样本情感词向量；所述样本情感词包括正面样本情感词和负面样本情感词；
对所述样本文本进行分句分词处理，得到所述样本文本包含的样本分句及各所述样本分句中包含的样本分词；基于所述样本分词对应的词向量，生成所述样本文本对应的样本句子向量；
根据所述样本句子向量及所述样本情感词向量，并通过注意力机制确定各所述样本分句分别对应的样本情感词分布信息；所述样本情感词分布信息包括各所述样本分句在各所述样本情感词上的分布信息；
根据所述样本句子向量及所述样本情感词分布信息，确定所述样本文本对应的样本情感词分布特征；
根据所述样本情感词分布特征及所述样本文本的样本情感倾向信息，训练所述情感预测模型。
7.一种文本的情感信息处理装置，包括：
第一提取模块，提取待预测文本中与业务相关的第一情感词；所述第一情感词包括正面情感词和负面情感词；以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句；
第一确定模块，根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征；
第二确定模块，根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息；所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到；
第三确定模块，根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息；
所述根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息，包括：
确定所述第一情感倾向信息及各所述细粒度情感因子分别对应的权重；按照所述权重，对所述第一情感倾向信息及各所述细粒度情感因子进行加权计算，得到所述待预测文本对应的情感倾向值；所述待预测文本的正负面情感倾向与所述情感倾向值之间正相关或负相关；所述细粒度情感因子包括以下至少一项：各所述第一分句分别对应的情感类别、所述第一分句中包含的指定类词语的数量、文本主体信息；
发送模块，向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
8.根据权利要求7所述的装置，所述第一确定模块包括：
第一确定单元，确定所述第一情感词对应的第一情感词向量；以及，生成所述待预测文本对应的第一句子向量；
第二确定单元，根据所述第一句子向量及所述第一情感词向量，并通过注意力机制确定各所述第一分句分别对应的第一情感词分布信息；所述第一情感词分布信息包括各所述第一分句在各所述第一情感词上的分布信息；
第三确定单元，根据所述第一句子向量及所述第一情感词分布信息，确定所述待预测文本对应的所述第一情感词分布特征。
9.根据权利要求8所述的装置，所述第一情感词分布信息包括第一情感词分布向量；
所述第二确定单元，将所述第一句子向量与所述第一情感词向量作为所述注意力机制的输入数据，以确定出各所述第一分句在各所述第一情感词上的概率分布值；基于各所述第一分句在各所述第一情感词上的概率分布值，生成各所述第一分句分别对应的所述第一情感词分布向量；所述第一情感词分布向量的各元素表示对应的所述第一分句在各所述第一情感词上的概率分布值。
10.根据权利要求9所述的装置，所述第三确定单元：
根据各所述第一分句分别对应的所述第一情感词分布向量，生成所述待预测文本对应的第一情感词分布矩阵；所述第一情感词分布矩阵中的各行元素分别对应各所述第一分句分别对应的所述第一情感词分布向量；
计算所述第一句子向量与所述第一情感词分布矩阵的乘积，得到第一情感预测矩阵；所述第一情感预测矩阵的列数等于所述待预测文本中所述第一情感词的数量；
对所述第一情感词预测矩阵进行元素平均计算，得到所述第一情感词预测矩阵对应的平均值矩阵；以及，对所述第一情感词预测矩阵进行元素最大值计算，得到所述第一情感词预测矩阵对应的最大值矩阵；
按照预设组合方式，将所述平均值矩阵和所述最大值矩阵进行矩阵组合，得到所述待预测文本对应的所述第一情感词分布特征。
11.一种文本的情感信息处理设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
提取待预测文本中与业务相关的第一情感词；所述第一情感词包括正面情感词和负面情感词；以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句；
根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征；
根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息；所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到；
根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息；
所述根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息，包括：
确定所述第一情感倾向信息及各所述细粒度情感因子分别对应的权重；按照所述权重，对所述第一情感倾向信息及各所述细粒度情感因子进行加权计算，得到所述待预测文本对应的情感倾向值；所述待预测文本的正负面情感倾向与所述情感倾向值之间正相关或负相关；所述细粒度情感因子包括以下至少一项：各所述第一分句分别对应的情感类别、所述第一分句中包含的指定类词语的数量、文本主体信息；
向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
12.一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
提取待预测文本中与业务相关的第一情感词；所述第一情感词包括正面情感词和负面情感词；以及，对所述待预测文本进行分句处理，得到所述待预测文本对应的第一分句；
根据所述第一情感词及所述第一分句，确定所述待预测文本对应的第一情感词分布特征；
根据所述第一情感词分布特征及预先训练的情感预测模型，确定所述待预测文本对应的第一情感倾向信息；所述情感预测模型基于样本文本对应的样本情感词分布特征以及所述样本文本的样本情感倾向信息训练得到；
根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息；
所述根据所述第一情感倾向信息及所述第一分句对应的细粒度情感因子，确定所述待预测文本对应的第二情感倾向信息，包括：
确定所述第一情感倾向信息及各所述细粒度情感因子分别对应的权重；按照所述权重，对所述第一情感倾向信息及各所述细粒度情感因子进行加权计算，得到所述待预测文本对应的情感倾向值；所述待预测文本的正负面情感倾向与所述情感倾向值之间正相关或负相关；所述细粒度情感因子包括以下至少一项：各所述第一分句分别对应的情感类别、所述第一分句中包含的指定类词语的数量、文本主体信息；
向所述业务的业务处理平台发送所述第二情感倾向信息，以使所述业务处理平台基于所述第二情感倾向信息调整所述业务的业务参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010621825.0A CN111783453B (zh) | 2020-07-01 | 2020-07-01 | 文本的情感信息处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010621825.0A CN111783453B (zh) | 2020-07-01 | 2020-07-01 | 文本的情感信息处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783453A CN111783453A (zh) | 2020-10-16 |
| CN111783453B true CN111783453B (zh) | 2024-05-21 |
Family
ID=72760538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010621825.0A Active CN111783453B (zh) | 2020-07-01 | 2020-07-01 | 文本的情感信息处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783453B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114003815B (zh) * | 2021-11-04 | 2024-03-29 | 之江实验室 | 一种网络舆情主题及其关注用户群体的发现方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019174423A1 (zh) * | 2018-03-16 | 2019-09-19 | 北京国双科技有限公司 | 实体情感分析方法及相关装置 |
| CN110309308A (zh) * | 2019-06-27 | 2019-10-08 | 北京金山安全软件有限公司 | 一种文字信息的分类方法、装置及电子设备 |
| CN111125360A (zh) * | 2019-12-19 | 2020-05-08 | 网易（杭州）网络有限公司 | 游戏领域的情感分析方法、装置及其模型训练方法、装置 |
-
2020
- 2020-07-01 CN CN202010621825.0A patent/CN111783453B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019174423A1 (zh) * | 2018-03-16 | 2019-09-19 | 北京国双科技有限公司 | 实体情感分析方法及相关装置 |
| CN110309308A (zh) * | 2019-06-27 | 2019-10-08 | 北京金山安全软件有限公司 | 一种文字信息的分类方法、装置及电子设备 |
| CN111125360A (zh) * | 2019-12-19 | 2020-05-08 | 网易（杭州）网络有限公司 | 游戏领域的情感分析方法、装置及其模型训练方法、装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于情感词典与LDA模型的股市文本情感分析;延丰;杜腾飞;毛建华;刘学锋;;电子测量技术(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783453A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309427B (zh) | 一种对象推荐方法、装置及存储介质 | |
| CN108920654B (zh) | 一种问答文本语义匹配的方法和装置 | |
| US11550871B1 (en) | Processing structured documents using convolutional neural networks | |
| US9449271B2 (en) | Classifying resources using a deep network | |
| US9514405B2 (en) | Scoring concept terms using a deep network | |
| CN111460290B (zh) | 信息的推荐方法、装置、设备和存储介质 | |
| EP3377983A1 (en) | Generating feature embeddings from a co-occurrence matrix | |
| CN111143551A (zh) | 文本预处理方法、分类方法、装置及设备 | |
| CN111767394A (zh) | 一种基于人工智能专家***的摘要提取方法及装置 | |
| CN114547257B (zh) | 类案匹配方法、装置、计算机设备及存储介质 | |
| CN112070550A (zh) | 基于搜索平台的关键词确定方法、装置、设备及存储介质 | |
| CN116547681A (zh) | 用于持续演进内容的动态语言模型 | |
| CN117609444B (zh) | 一种基于大模型的搜索问答方法 | |
| CN111783453B (zh) | 文本的情感信息处理方法及装置 | |
| CN113535912A (zh) | 基于图卷积网络和注意力机制的文本关联方法及相关设备 | |
| CN106202049A (zh) | 一种热词确定方法及装置 | |
| CN116028626A (zh) | 文本匹配方法、装置、存储介质以及电子设备 | |
| CN112446206A (zh) | 一种菜谱标题的生成方法及装置 | |
| CN117951515A (zh) | 模型训练方法及装置 | |
| CN117951535A (zh) | 文本处理方法及相关装置 | |
| CN117725923A (zh) | 文本匹配方法、装置、设备及介质 | |
| Malaysia | Mobile Intelligent Web Pre-fetching Scheme for Cloud Computing Services in Industrial Revolution 4.0 | |
| CN117762794A (zh) | 待办事项提取任务的测试方法、装置、设备及存储介质 | |
| CN118132979A (zh) | 文本特征提取模型训练、文本数据处理方法及相关设备 | |
| CN118114662A (zh) | 预定工单的关键信息提取方法、装置、处理器及电子设备 |
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 |