CN113609294B - 一种基于情感分析的生鲜冷链监管方法及*** - Google Patents

一种基于情感分析的生鲜冷链监管方法及*** Download PDF

Info

Publication number
CN113609294B
CN113609294B CN202110913819.7A CN202110913819A CN113609294B CN 113609294 B CN113609294 B CN 113609294B CN 202110913819 A CN202110913819 A CN 202110913819A CN 113609294 B CN113609294 B CN 113609294B
Authority
CN
China
Prior art keywords
word
feature vector
emotion
vectors
weighted
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
CN202110913819.7A
Other languages
English (en)
Other versions
CN113609294A (zh
Inventor
潘梦强
董微
张青川
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.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
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 Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN202110913819.7A priority Critical patent/CN113609294B/zh
Publication of CN113609294A publication Critical patent/CN113609294A/zh
Application granted granted Critical
Publication of CN113609294B publication Critical patent/CN113609294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及一种基于情感分析的生鲜冷链监管方法及***，其方法包括：S1：获取生鲜食品类的评论文本；S2：构建训练集；S3：利用BERT模型得到词向量；S4：利用CNN网络对词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，利用梯度反转层和邻域鉴别器构成对抗网络，对CNN网络的特征提取进行约束；S5：利用BiLSTM得到词上下文特征向量；S6：将带权重的词特征向量与词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果；S7：结合预设的规则，对情感分类结果是否需要监管进行判断。本发明提供的方法解决了传统情感分类模型领域敏感度高、效果不佳的问题，实现了对生鲜冷链产品进行有效的质量监管。

Description

一种基于情感分析的生鲜冷链监管方法及***
技术领域
本发明涉及人工智能领域，具体涉及一种基于情感分析的生鲜冷链监管方法及***。
背景技术
“民以食为天”，食品安全关乎国家大计。随着电商平台的迅猛发展，生鲜产品越来越多的出现的平台上，由于其保质期短，储存条件较为严苛的特点，生鲜冷链较容易发生食品安全问题。其次，由于现在网上销售手段众多，除了传统的电商平台，在一些新兴的小视频平台也有出售，商家的销售门槛较低，商品种类繁多，但是质量却参差不齐，平台也缺乏有效的监管手段。从国家层面来讲，虽然时常进行食品抽检，但是抽检工作难以面面俱到，不可能对于每种商品进行抽查。然后再平台等购物，消费者往往会在平台上发表自己的购物看法，平台也推出积分等激励手段来鼓励消费者进行评价，这就使得根据评论文本来进行生鲜冷链产品的监管成为可能。虽然有些平台会直接让消费者进行商品的1-5星的评级，但是在实际中发现许多消费者都是习惯5星，而在评论中说明商品的缺点，而情感是消费者的真情流露，所以通过评论的情感来衡量商品品质是较为公允的手段，且该方法可应用于直播电商的弹幕文本等其他没有星级的评论中，应用场景广。
文本情感分析已然是一项较为成熟的技术，然而文本情感分类有着领域针对性强的特点，在一个领域训练的样本应用于其他的领域时，效果往往不佳，针对单独的领域进行训练又会遇到领域多，单独领域训练样本少的问题。虽然迁移学习提供了一种新思路，解决了样本量的问题，但是迁移学习本质上还是对于领域的重新训练，况且在实际应用中，还是需要先区分领域，再选择领域相应的模型，实际应用中较为不便。这就亟需一种能适用于多领域下的情感分类模型。
发明内容
为了解决上述技术问题，本发明提供一种基于情感分析的生鲜冷链监管方法及***。
本发明技术解决方案为：一种基于情感分析的生鲜冷链监管方法，包括：
步骤S1：爬取网络上生鲜食品类的评论文本；
步骤S2：对评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集；
步骤S3：利用BERT模型对训练集进行词的向量化表示，得到词向量；
步骤S4：利用CNN网络对词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用梯度反转层和邻域鉴别器构成对抗网络，对CNN网络的特征提取进行约束；
步骤S5：利用BiLSTM对带权重的词特征向量进行上下文信息的提取，得到词上下文特征向量；
步骤S6：将带权重的词特征向量与词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果；
步骤S7：结合预设的规则，对情感分类结果是否需要监管进行判断。
本发明与现有技术相比，具有以下优点：
本发明公开的基于情感分析的生鲜冷链监管方法，通过梯度反转层和领域鉴别器构成对抗网络，使得CNN网络能提取到与领域无关，而与情感分类任务高度相关的特征，削弱模型对领域的敏感度，然后与BiLSTM提取得到词的上下文语义特征进行融合后，输入情感分类器中进行分类，提升模型的分类准确率。同时在领域鉴别器加以Dropout机制，在训练过程中按一定概率使得神经网络单元暂时‘失活’，提升模型泛化能力，最终提升模型在多领域情景下的情感分类性能。依据所得的情感分类结果，结合规则，对生鲜冷链产品进行有效的质量监管。解决了传统情感分类模型领域敏感度高，在跨领域情感分类任务时效果不佳的问题。同时，本专利提供的方法在模型训练完之后不再需要判别其所属的领域，可直接将预处理后的文本序列输入模型，即可得出最终的情感倾向。
附图说明
图1为本发明实施例中一种基于情感分析的生鲜冷链监管方法的流程图；
图2为本发明实施例中一种基于情感分析的生鲜冷链监管方法中步骤S2：对评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集的流程图；
图3为本发明实施例中BERT-Base-Chinese模型的结构示意图；
图4为本发明实施例中一种基于情感分析的生鲜冷链监管方法中步骤S4：利用CNN网络对词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用梯度反转层和邻域鉴别器构成对抗网络，对CNN网络的特征提取进行约束的流程图；
图5为本发明实施例中BiLSTM网络模型的结构示意图；
图6为本发明实施例中一种基于情感分析的生鲜冷链监管方法中模型训练和监管***的流程示意图；
图7为本发明实施例中一种基于情感分析的生鲜冷链监管***的结构框图。
具体实施方式
本发明提供了一种基于情感分析的生鲜冷链监管方法，解决了传统情感分类模型领域敏感度高，在跨领域情感分类任务时效果不佳的问题，实现了对生鲜冷链产品进行有效的质量监管。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种基于情感分析的生鲜冷链监管方法，包括下述步骤：
步骤S1：爬取网络上生鲜食品类的评论文本；
步骤S2：对评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集；
步骤S3：利用BERT模型对训练集进行词的向量化表示，得到词向量；
步骤S4：利用CNN网络对词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用梯度反转层和邻域鉴别器构成对抗网络，对CNN网络的特征提取进行约束；
步骤S5：利用BiLSTM对带权重的词特征向量进行上下文信息的提取，得到词上下文特征向量；
步骤S6：将带权重的词特征向量与词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果；
步骤S7：结合预设的规则，对情感分类结果是否需要监管进行判断。
在一个实施例中，上述步骤S1：爬取网络上生鲜食品类的评论文本，具体包括：
利用爬虫技术，爬取网络上生鲜食品类的评论文本，例如，爬取各种电商、外卖平台上关于生鲜食品类的评论文本，作为后续构建训练集的基础。
如图2所示，在一个实施例中，上述步骤S2：对评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集，具体包括：
步骤S21：去除评论文本和公开数据集中的标点符号、特殊字符和表情，得到纯文本；
除了利用步骤S1中从网络获取的评论文本之外，本发明实施例还结合了已公开的包含情感标签与商品类型的数据集中的文本，用于扩充训练集。
步骤S22：利用分词工具对纯文本进行分词操作，得到文本序列；
本发明实施例利用jieba分词工具，对上述纯文本进行分词。
步骤S23：建立停用词词表，对文本序列进行去停用词操作；
步骤S24：人工标注文本序列的情感极性，包括：积极和消极；
步骤S25：人工标注其所属领域，包括：果蔬、肉蛋和水产。
经过上述步骤，完成对训练集的构建。
在一个实施例中，上述步骤S3：利用BERT模型对训练集进行词向量化表示，具体包括：
利用BERT-Base-Chinese预训练模型，将训练集中的每一个词进行词向量化表示，将其转换为词向量；
本发明实施例采用Google发布的BERT-Base-Chinese预训练模型，将训练集中的每一个词转换为768维的实数向量，输出其对应的词向量。如图3所示，BERT-Base-Chinese预训练模型由多个Transformer编码器组成，以遮蔽语言建模和下一句话预测为无监督目标。与Word2Vec模型不同在于，该模型对于一词多义现象友好。
如图4所示，在一个实施例中，上述步骤S4：利用CNN网络对词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用梯度反转层和邻域鉴别器构成对抗网络，对CNN网络的特征提取进行约束，具体包括：
步骤S41：将词向量输入CNN网络，经过多个卷积核来进行特征提取，通过全局最大池化的操作，输出与词的特征，再加以自注意力机制来调整每个特征的权重，最终得到带权重的词特征向量；
本发明实施例使用多个卷积核来进行提取，然后进行全局最大池化的操作。通过最大池化操作选取词特征向量，并达到降维的效果，再加以自注意力机制来调整每个特征的权重。
步骤S42：通过梯度反转层，当上一层带权重的词特征向量正向传播时，保持不变，当反向传播时，梯度变为原来的-λ倍，以得到与领域无关的词的特征向量；
梯度反转层的表示为如下公式(1)～(2)：
Rλ(X)＝X (1)
其中，Rλ为变化函数，在特征X正向传播时，保持不变；λ为可调参数，通常取1，I为单位矩阵；
步骤S43：将领域无关的词的特征向量，输入领域鉴别器，其中，领域鉴别器由两层全连接网络组成，并在全连接网络中加入Dropout机制，最后通过softmax函数进行分类，得到词的类别，包括：果蔬、肉蛋和水产。
本步骤中，通过梯度反转层与领域鉴别器组成对抗网络，使得CNN网络在训练时，领域鉴别器难以区分输入的特征是来自某个特定的领域，以此来“约束”上一层的提取特征与所属领域无关，即达到提取领域无关特征的目的，最终使得CNN网络可以提取到与领域无关而与情感相关的带权重的词特征向量。从而实现降低模型领域敏感度的目的，提升模型在多领域情况下的情感分类能力。
梯度反转层和领域鉴别器只有在训练模型时需要，当完成训练，在监管***的使用中，不再需要使用梯度反转层和领域鉴别器。
在一个实施例中，上述步骤S5：利用BiLSTM对带权重的词特征向量进行上下文信息的提取，得到词上下文特征向量，具体包括：
LSTM作为循环神经网络的一种，对上下文语义有着较好的提取效果，但是单向的LSTM网络会出现后面的词比前面重要的现象。在文本情感分类任务中，对文本整体情感倾向影响较大的词可能出现的任何位置，未必就出现在序列后面的位置。所以本发明实施例加上一个反向的LSTM组成如图5所示的BiLSTM网络。将步骤S4获取带权重的词的特征向量，利用BiLSTM网络进行上下文信息的提取，得到词上下文特征向量。
在一个实施例中，上述步骤S6：将带权重的词特征向量与词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果，具体包括：
将带权重的词特征向量与词上下文特征向量进行融合，得到词的融合特征向量；并将该词的融合特征向量，输入情感分类器，其中，情感分类器由两层全连接层组成，同时，在全连接层利用Dropout机制抑制过度拟合，最后通过softmax函数进行分类，最终得到词的情感分类，包括：积极和消极；
将步骤S4中CNN网络提取到的领域无关而与情感相关的带权重的词特征向量与步骤S5中利用BILSTM网络提取的词的上下文特征向量进行融合，再将二者融合后的特征传入以情感分类器中进行情感分类。情感分类器由两层全连接层组成，最终通过softmax函数进行分类，为了提升模型的泛化能力，在情感分类器的全连接网络中加入一定概率的Dropout机制。
在一个实施例中，上述步骤S7：结合预设的规则，对情感分类结果是否需要监管进行判断，具体包括：
将待监管的评论文本输入训练好的模型进行情感分类，并且根据情感分类的结果，根据预先设定的规则，进行生鲜冷链的监管。
举例来说，预先设定规则：如果某商品的总评论数少于等于10条，且消极评论多于4条；或者总评论大于10条，消极评论占比大于50％时，则触发预警，提醒平台需要重点关注此商品，必要时进行人工干预。
如图6所示，展示了的基于情感分析的生鲜冷链监管方法中模型训练和监管***的流程示意图。
本发明公开的基于情感分析的生鲜冷链监管方法，通过梯度反转层和领域鉴别器构成对抗网络，使得CNN网络能提取到与领域无关，而与情感分类任务高度相关的特征，削弱模型对领域的敏感度，然后与BiLSTM提取得到词的上下文语义特征进行融合后，输入情感分类器中进行分类，提升模型的分类准确率。同时在领域鉴别器加以Dropout机制，在训练过程中按一定概率使得神经网络单元暂时‘失活’，提升模型泛化能力，最终提升模型在多领域情景下的情感分类性能。依据所得的情感分类结果，结合规则，对生鲜冷链产品进行有效的质量监管。解决了传统情感分类模型领域敏感度高，在跨领域情感分类任务时效果不佳的问题。同时，本专利提供的方法在模型训练完之后不再需要判别其所属的领域，可直接将预处理后的文本序列输入模型，即可得出最终的情感倾向。
实施例二
如图7所示，本发明实施例提供了一种基于情感分析的生鲜冷链监管***，包括下述模块：
获取评论文本模块51，用于爬取网络上生鲜食品类的评论文本；
构建训练集模块52，用于对评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集；
获取词向量模块53，用于利用BERT模型对训练集进行词的向量化表示，得到词向量；
获取词特征向量模块54，用于利用CNN网络对词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用梯度反转层和邻域鉴别器构成对抗网络，对CNN网络的特征提取进行约束；
获取词上下文特征向量模块55，用于利用BiLSTM对带权重的词特征向量进行上下文信息的提取，得到词上下文特征向量。
获取词的情感分类模块56，用于将带权重的词特征向量与词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果。
评论监管模块57，用于结合预设的规则，对情感分类结果是否需要监管进行判断。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (7)

1.一种基于情感分析的生鲜冷链监管方法，其特征在于，包括：
步骤S1：爬取网络上生鲜食品类的评论文本；
步骤S2：对所述评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集；
步骤S3：利用BERT模型对所述训练集进行词的向量化表示，得到词向量；
步骤S4：利用CNN网络对所述词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将所述带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用所述梯度反转层和所述邻域鉴别器构成对抗网络，对所述CNN网络的特征提取进行约束；
步骤S5：利用BiLSTM对所述带权重的词特征向量进行上下文信息的提取，得到词上下文特征向量；
步骤S6：将所述带权重的词特征向量与所述词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果；
步骤S7：结合预设的规则，对所述情感分类结果是否需要监管进行判断。
2.根据权利要求1所述的基于情感分析的生鲜冷链监管方法，其特征在于，所述步骤S2：对所述评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集，具体包括：
步骤S21：去除所述评论文本和所述公开数据集中的标点符号、特殊字符和表情，得到纯文本；
步骤S22：利用分词工具对所述纯文本进行分词操作，得到文本序列；
步骤S23：建立停用词词表，对所述文本序列进行去停用词操作；
步骤S24：人工标注所述文本序列的情感极性，包括：积极和消极；
步骤S25：人工标注其所属领域，包括：果蔬、肉蛋和水产。
3.根据权利要求1所述的基于情感分析的生鲜冷链监管方法，其特征在于，所述步骤S3：利用BERT模型对所述训练集进行词向量化表示，具体包括：
利用BERT-Base-Chinese预训练模型，将所述训练集中的每一个词进行词向量化表示，将其转换为词向量。
4.根据权利要求1所述的基于情感分析的生鲜冷链监管方法，其特征在于，所述步骤S4：利用CNN网络对所述词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将所述带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用所述梯度反转层和所述邻域鉴别器构成对抗网络，对所述CNN网络的特征提取进行约束，具体包括：
步骤S41：将所述词向量输入CNN网络，经过多个卷积核来进行特征提取，通过全局最大池化的操作，输出与词的特征，再加以自注意力机制来调整每个特征的权重，最终得到带权重的词特征向量；
步骤S42：通过所述梯度反转层，当上一层所述带权重的词特征向量正向传播时，保持不变，当反向传播时，梯度变为原来的-λ倍，以得到与领域无关的词的特征向量；
所述梯度反转层的表示为如下公式(1)～(2)：
Rλ(X)＝X (1)
其中，Rλ为变化函数，在特征X正向传播时，保持不变；λ为可调参数，通常取1，I为单位矩阵；
步骤S43：将所述领域无关的词的特征向量，输入领域鉴别器，其中，所述领域鉴别器由两层全连接网络组成，通过softmax函数进行分类；得到词的类别，包括：果蔬、肉蛋和水产。
5.根据权利要求1所述的基于情感分析的生鲜冷链监管方法，其特征在于，所述步骤S6：将所述带权重的词特征向量与所述词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果，具体包括：
将所述带权重的词特征向量与所述词上下文特征向量进行融合，得到词的融合特征向量；并将所述词的融合特征向量，输入情感分类器，其中，所述情感分类器由两层全连接层组成，最后通过softmax函数进行分类，最终得到词的情感分类，包括：积极和消极。
6.根据权利要求1所述的基于情感分析的生鲜冷链监管方法，其特征在于，所述步骤S7：结合预设的规则，对所述情感分类结果是否需要监管进行判断，具体包括：
将待监管的评论文本输入训练好的模型进行情感分类，并且根据情感分类的结果，根据预先设定的规则，进行生鲜冷链的监管。
7.一种基于情感分析的生鲜冷链监管***，其特征在于，包括下述模块：
获取评论文本模块，用于爬取网络上生鲜食品类的评论文本；
构建训练集模块，用于对所述评论文本结合公开数据集进行预处理，人工标注其情感极性和所属于领域，构建训练集；
获取词向量模块，用于利用BERT模型对所述训练集进行词的向量化表示，得到词向量；
获取词特征向量模块，用于利用CNN网络对所述词向量进行特征提取，并且加以自注意力机制权重，带权重的词特征向量；同时，将所述带权重的词特征向量经由一层梯度反转层之后，输入邻域鉴别器中，利用所述梯度反转层和所述邻域鉴别器构成对抗网络，对所述CNN网络的特征提取进行约束；
获取词上下文特征向量模块，用于利用BiLSTM对所述带权重的词特征向量进行上下文信息的提取，得到词上下文特征向量；
获取词的情感分类模块，用于将所述带权重的词特征向量与所述词上下文特征向量进行融合，得到词的融合特征向量，输入情感分类器，得到词的情感分类结果；
评论监管模块，用于结合预设的规则，对所述情感分类结果是否需要监管进行判断。
CN202110913819.7A 2021-08-10 2021-08-10 一种基于情感分析的生鲜冷链监管方法及*** Active CN113609294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110913819.7A CN113609294B (zh) 2021-08-10 2021-08-10 一种基于情感分析的生鲜冷链监管方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110913819.7A CN113609294B (zh) 2021-08-10 2021-08-10 一种基于情感分析的生鲜冷链监管方法及***

Publications (2)

Publication Number Publication Date
CN113609294A CN113609294A (zh) 2021-11-05
CN113609294B true CN113609294B (zh) 2023-08-18

Family

ID=78307997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110913819.7A Active CN113609294B (zh) 2021-08-10 2021-08-10 一种基于情感分析的生鲜冷链监管方法及***

Country Status (1)

Country Link
CN (1) CN113609294B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982208B (zh) * 2022-08-24 2023-09-29 淮阴工学院 基于区块链跨链协同的冷链产品关联性查询方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902177A (zh) * 2019-02-28 2019-06-18 上海理工大学 基于双通道卷积记忆神经网络的文本情感分析方法
CN110717334A (zh) * 2019-09-10 2020-01-21 上海理工大学 基于bert模型和双通道注意力的文本情感分析方法
CN112966526A (zh) * 2021-04-20 2021-06-15 吉林大学 一种基于情感词向量的汽车在线评论情感分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902177A (zh) * 2019-02-28 2019-06-18 上海理工大学 基于双通道卷积记忆神经网络的文本情感分析方法
CN110717334A (zh) * 2019-09-10 2020-01-21 上海理工大学 基于bert模型和双通道注意力的文本情感分析方法
CN112966526A (zh) * 2021-04-20 2021-06-15 吉林大学 一种基于情感词向量的汽车在线评论情感分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于BERT的文本情感分析;刘思琴;冯胥睿瑞;;信息安全研究(03);全文 *

Also Published As

Publication number Publication date
CN113609294A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN111554268B (zh) 基于语言模型的语言识别方法、文本分类方法和装置
WO2023065545A1 (zh) 风险预测方法、装置、设备及存储介质
CN110866140B (zh) 图像特征提取模型训练方法、图像搜索方法及计算机设备
CN109271522B (zh) 基于深度混合模型迁移学习的评论情感分类方法及***
CN110609899B (zh) 一种基于改进bert模型的特定目标情感分类方法
CN110245229A (zh) 一种基于数据增强的深度学习主题情感分类方法
CN103984959A (zh) 一种基于数据与任务驱动的图像分类方法
CN111597340A (zh) 一种文本分类方法及装置、可读存储介质
CN112231562A (zh) 一种网络谣言识别方法及***
CN108921198A (zh) 基于深度学习的商品图像分类方法、服务器及***
CN105426356A (zh) 一种目标信息识别方法和装置
CN107451596B (zh) 一种网络节点分类方法及装置
CN111126576B (zh) 一种深度学习的训练方法
CN112528163B (zh) 一种基于图卷积网络的社交平台用户职业预测方法
CN104142995A (zh) 基于视觉属性的社会事件识别方法
CN113268675B (zh) 一种基于图注意力网络的社交媒体谣言检测方法和***
CN113033610B (zh) 一种多模态融合敏感信息分类检测方法
CN110188195A (zh) 一种基于深度学习的文本意图识别方法、装置及设备
CN113343126B (zh) 基于事件与传播结构的谣言检测方法
CN112800225B (zh) 一种微博评论情绪分类方法和***
CN111914553B (zh) 一种基于机器学习的金融信息负面主体判定的方法
CN110111365B (zh) 基于深度学习的训练方法和装置以及目标跟踪方法和装置
Vinod et al. Natural disaster prediction by using image based deep learning and machine learning
CN113609294B (zh) 一种基于情感分析的生鲜冷链监管方法及***
CN116776889A (zh) 一种基于图卷积网络和外部知识嵌入的粤语谣言检测方法

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