CN113688202B - 情感极性分析方法、装置、电子设备以及计算机存储介质 - Google Patents
情感极性分析方法、装置、电子设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN113688202B CN113688202B CN202110868892.7A CN202110868892A CN113688202B CN 113688202 B CN113688202 B CN 113688202B CN 202110868892 A CN202110868892 A CN 202110868892A CN 113688202 B CN113688202 B CN 113688202B
- Authority
- CN
- China
- Prior art keywords
- emotion
- polarity
- emotion polarity
- nodes
- value
- 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 789
- 238000004458 analytical method Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 230000003542 behavioural effect Effects 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 102
- 230000008569 process Effects 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 14
- 238000003058 natural language processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请的实施例提供了一种情感极性分析方法、装置、电子设备以及计算机可读存储介质,涉及计算机技术领域。该方法包括:确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点;获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束;迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。可见,实施本申请,所有节点的情感极性值是通过计算得出的,提高了确定待评论对象的情感极性分析结果的效率。
Description
技术领域
本申请的实施方式涉及计算机技术领域,更具体地,本申请的实施方式涉及情感极性分析方法、情感极性分析装置、电子设备以及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是相关技术。
目前,随着计算机技术的发展,用户可以对终端中显示的一些信息进行评论,或对该信息进行点赞、收藏等具有情感倾向的行为,对用户发布的评论以及用户本身对该信息的情感倾向进行分析可以提升后续推荐***的准确度。然而,在相关技术中,通常使用自然语言处理技术对该信息中的文本信息进行分类,以识别情感倾向,由于识别的文本信息都是短文本,且识别过程中与上下语境无关,因此会降低情感倾向识别的准确度,缩小情感倾向识别的应用场景,除此之外,在识别情感倾向的过程中使用社交网络信息,而社交网络信息和用户发布的评论的相关度较低,因此也降低了识别情感倾向的准确度,进而降低了得出情感倾向的效率。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的相关技术的信息。
发明内容
基于上述问题,发明人进行了相应的思考,做出了有针对性的改进,提供了情感极性分析方法、情感极性分析装置、电子设备以及计算机可读存储介质,选取确定情感极性值的节点作为种子节点,并以此为起点,确定与种子节点具有第一行为关联关系的第一对象节点的情感极性值,并利用第一对象情感节点的情感极性值以及第二行为关联关系确定其他节点的情感极性值,以此确定待评论对象的情感极性分析结果,避免了在确定情感极性分析结果的过程中,使用社交网络信息以及只能识别短文本信息的自然语言处理技术,提高了确定出的情感极性分析结果准确度以及效率。
根据本申请实施例的第一方面,公开了一种情感极性分析方法,包括:
确定与待评论对象对应的种子节点的情感极性值,并获取与所述种子节点具有第一行为关联关系的第一对象节点;其中,所述种子节点为确定情感极性值的节点;
获取与所述第一对象节点具有第二行为关联关系的第二对象节点,并基于所述第二行为关联关系以及所述第一对象节点的情感极性值,确定当前迭代中所述第二对象节点的情感极性值,以继续进行迭代直至迭代结束;
迭代结束时,根据所有节点的情感极性值确定所述待评论对象的情感极性分析结果。
在一个实施例中,基于前述方案,基于所述第二行为关联关系以及所述第一对象节点的情感极性值,确定当前迭代中所述第二对象节点的情感极性值,包括:
获取与所述第一行为关联关系对应的第一行为情感极性值,根据所述第一行为情感极性值和所述种子节点的情感极性值,计算得到所述第一对象节点的情感极性值;
确定与所述第二行为关联关系对应的第二行为情感极性值,对所述第二行为情感极性值和所述第一对象节点的情感极性值进行计算,得到当前迭代中所述第二对象节点的情感极性值。
在一个实施例中,基于前述方案,第一对象节点包括用户节点,所述第二对象节点包括评论节点;
所述对所述第二行为情感极性值和所述第一对象节点的情感极性值进行计算,得到当前迭代中所述第二对象节点的情感极性值,包括:
当所述评论节点分别与多个所述用户节点之间建立有第二行为关联关系时,获取与多个所述用户节点分别对应的极性计算权重、情感极性值;
根据与所有的所述第二行为关联关系对应的第二行为极性值、与所有所述用户节点分别对应的所述极性计算权重、所述情感极性值,计算得到所述评论节点的情感极性值。
在一个实施例中,基于前述方案,迭代结束时,根据所有节点的情感极性值确定所述待评论对象的情感极性分析结果,包括:
确定迭代结束时所有节点的情感极性值,并获取正向情感极性标准值以及负向情感极性标准值;
若所述情感极性值与所述正向情感极性标准值和所述负向情感极性标准值均不一致,则分别计算所述情感极性值和所述正向情感极性标准值以及所述负向情感极性标准值之间的极性差值;
根据所述极性差值确定所有所述节点的情感极性,并根据所有所述节点的所述情感极性确定所述待评估对象的情感极性分析结果。
在一个实施例中,基于前述方案,根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果,包括:
分别统计具有正向情感极性的所述节点的个数以及具有负向情感极性的所述节点的个数,以得到正向情感统计结果以及负向情感统计结果;
根据所述正向情感统计结果以及所述负向情感统计结果,计算得出正向情感极性占比以及负向情感极性占比;
若所述正向情感极性占比大于所述负向情感极性占比,或所述正向情感统计结果大于或等于极性个数阈值,确定所述待评论对象的情感极性分析结果为正向情感极性结果;
若所述正向情感极性占比小于所述负向情感极性占比,或所述负向情感统计结果大于或等于所述极性个数阈值,确定所述待评论对象的情感极性分析结果为负向情感极性分析结果。
在一个实施例中,基于前述方案,所述方法还包括:
确定具有所述正向情感极性的所述用户节点,并向与所述用户节点对应的所述用户推荐所述待评论对象和/或与所述待评论对象相似的其他待评论对象。
在一个实施例中,基于前述方案,迭代结束时,根据所有节点的情感极性值确定所述待评论对象的情感极性分析结果,包括:
获取预设迭代结束次数,若与所述当前迭代对应的迭代次数达到所述预设迭代结束次数,根据所述节点的情感极性值确定所述待评论对象的情感极性分析结果;或
确定与所述当前迭代对应的所有节点的当前迭代情感极性值,并确定相邻迭代过程中,所有所述节点的相邻迭代情感极性值;其中,所述相邻迭代过程为与所述当前迭代具有迭代顺序关系的迭代过程;
计算所述当前迭代情感极性值与所述相邻迭代情感极性值得到极性更新值,若所述极性更新值小于或等于预设极性变化阈值,根据所有节点的情感极性值确定所述待评论对象的情感分析结果。
根据本申请实施例的第二方面,公开了一种情感极性分析装置,包括:获取单元、迭代单元以及情感极性分析模块,其中:
获取单元,被用于确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点;
迭代单元,被用于获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束;
情感极性分析单元,被用于迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。
根据本申请实施例的第三方面,公开了一种电子设备,包括:处理器;以及存储器,存储器上存储有计算机可读指令,计算机可读指令被处理器执行时实现如第一方面公开的情感极性分析方法。
根据本申请实施例的第四方面,公开了一种计算机程序介质,其上存储有计算机可读指令,当计算机可读指令被计算机的处理器执行时,使计算机执行根据本申请第一方面公开的情感极性分析方法。
本申请实施例能够确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点;获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束;迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。相较于相关技术,实施本申请的实施例,一方面,选取确定情感极性值的节点作为种子节点,并以此为起点,确定与种子节点具有第一行为关联关系的第一对象节点的情感极性值,并利用第一对象情感节点的情感极性值以及第二行为关联关系确定其他节点的情感极性值,以此确定待评论对象的情感极性分析结果,避免了在确定情感极性分析结果的过程中,使用社交网络信息以及只能识别短文本信息的自然语言处理技术,提高了确定出的情感极性分析结果准确度以及效率,扩大了确定情感极性分析结果的应用场景;另一方面,所有节点的情感极性值是根据计算得出的,降低了确定待评论对象的情感极性分析结果的复杂度,进而提升了确定待评论对象的情感极性分析结果的效率。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,其中:
图1示出的是根据本申请一示例实施方式的情感极性分析方法的流程示意图;
图2示出的是根据本申请一示例实施方式的与歌曲A对应的所有节点的结构示意图;
图3示出的是根据本申请一示例实施方式的与歌曲B对应的所有节点的结构示意图;
图4示出的是根据本申请一示例实施方式的确定当前迭代中第二对象节点的情感极性值的流程示意图;
图5示出的是根据本申请一示例实施方式的得到当前迭代中第二对象节点的情感极性值的流程示意图;
图6示出的是根据本申请一示例实施方式的确定待评论对象的情感极性分析结果的流程示意图;
图7示出的是根据本申请一示例实施方式的确定待评论对象的情感极性分析结果的流程示意图;
图8示出的是根据本申请一示例实施方式的迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果的流程示意图;
图9示出的是根据本申请另一可选示例实施方式的情感极性分析装置的结构框图;
图10示出的是根据本申请另一可选示例实施方式的情感极性分析电子设备的结构框图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请,而并非以任何方式限制本申请的范围。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本申请的实施方式可以实现为一种装置、设备、方法或计算机程序产品。因此,本申请可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本申请的实施方式,提出了一种情感极性分析方法、情感极性分析装置、电子设备以及计算机可读存储介质。
附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本申请的若干代表性实施方式,详细阐释本申请的原理和精神。
发明概述
目前,相关技术对于情感极性分析的方案通常为:单独采用自然语言处理技术或采用自然语言处理技术与社交网络信息相结合的方式对文本信息进行分类,以得到情感极性分析结果。因此,采用上述方法进行的情感极性分析结果一般是只对短文本信息进行识别后得到的结果,并且社交网络信息与用户发表的评论相关度较低,因此不仅缩小了情感极性分析结果的应用场景,还降低了情感极性分析结果的准确度,降低了确定情感极性分析结果的效率。
基于上述问题,本申请人想到可以在情感极性分析的过程中避免使用自然语言处理技术以及社交网络信息,在本公开的其中一实施例中,确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点;获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束;迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。可见,选取确定情感极性值的节点作为种子节点,并以此为起点,确定与种子节点具有第一行为关联关系的第一对象节点的情感极性值,并利用第一对象情感节点的情感极性值以及第二行为关联关系确定其他节点的情感极性值,以此确定待评论对象的情感极性分析结果,避免了在确定情感极性分析结果的过程中,使用社交网络信息以及只能识别短文本信息的自然语言处理技术,提高了确定出的情感极性分析结果准确度以及效率,扩大了确定情感极性分析结果的应用场景。
应用场景总览
需要注意的是,下述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
在应用于情感极性分析场景下时,避免了相关技术中,在确定情感极性分析结果的过程中,使用社交网络信息以及只能识别短文本信息的自然语言处理技术,提高了确定出的情感极性分析结果准确度以及效率,扩大了确定情感极性分析结果的应用场景。
示例性方法
下面结合上述的应用场景,参考图1和图10来描述根据本申请示例性实施方式的情感极性分析方法。
请参阅图1,图1示出的是根据本申请一示例实施方式的情感极性分析方法的流程示意图。如图1所示,该情感极性分析方法,可以包括:
步骤S110:确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点。
步骤S120:获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束。
步骤S130:迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。
实施图1所示的情感极性分析方法,一方面,选取确定情感极性值的节点作为种子节点,并以此为起点,确定与种子节点具有第一行为关联关系的第一对象节点的情感极性值,并利用第一对象情感节点的情感极性值以及第二行为关联关系确定其他节点的情感极性值,以此确定待评论对象的情感极性分析结果,避免了在确定情感极性分析结果的过程中,使用社交网络信息以及只能识别短文本信息的自然语言处理技术,提高了确定出的情感极性分析结果准确度以及效率,扩大了确定情感极性分析结果的应用场景;另一方面,所有节点的情感极性值是根据计算得出的,降低了确定待评论对象的情感极性分析结果的复杂度,进而提升了确定待评论对象的情感极性分析结果的效率。
下面对这些步骤进行详细描述。
在步骤S110中,确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点。
具体地,待评论对象指的是可以供用户对其发表评论的对象,例如可以是一首歌曲,可以是一篇文章,可以是一段视频,本示例性实施例对此不做特殊限定。
种子节点指的是所有节点中确定情感极性值的节点,所有节点中包括用户节点和评论节点,假如在众多用户节点中存在用户节点A对待评论对象进行了举报或屏蔽,则可以确定用户节点A肯定是对待评论对象具有负向情感的用户,因此用户节点A可以作为种子节点,还可以将所有节点所代表的用户信息或评论信息输入情感识别模型中,以将识别的部分高准确率的节点作为种子节点。
情感极性值指的是反应节点对待评论对象情感倾向的值,若节点对待评论对象的情感倾向为正向,则情感极性值可以为+1,若节点对待评论对象的情感倾向为负向,则情感极性值可以为-1。
用户节点指的是与待评论对象具有情感行为关系的用户所组成的节点,评论节点指的是用户发表的评论待评论对象的评论信息所组成的节点,情感行为关系指的用户节点所代表的用户针对于待评论对象产生的,可以在一定程度上体现用户对待评论对象感情倾向的行为,例如可以是对待评论对象的屏蔽行为,可以是对待评论对象的举报行为,可以是对待评论对象的点赞行为,本示例性实施例对此不做特殊限定。
第一对象节点指的是与种子节点具有第一行为关联关系的节点,若种子节点为用户节点,则第一对象节点可以是用户点赞、举报、屏蔽或发布的评论节点,其中,点赞、举报、屏幕或发布就是第一行为关联关系;若种子节点为评论节点,则第一对象节点可以是对该评论节点进行点赞、举报、屏蔽或发布的用户节点,其中,点赞、举报、屏幕或发布就是第一行为关联关系。
举例而言,图2示出了与歌曲A对应的所有节点的结构示意图,如图2所示,其中,所有节点中包括5个评论节点和5个用户节点,分别为评论节点A、评论节点B、评论节点C、评论节点D、评论节点E、用户节点1、用户节点2、用户节点3、用户节点4以及用户节点5,图中具有方向的连线代表情感极性传播方向,其中,种子节点为确定情感倾向的评论节点A、评论节点E以及用户节点4,基于此,获取评论节点A、评论节点E以及用户节点4的情感极性值。
举例而言,图3示出了与歌曲B对应的所有节点的结构示意图,如图3所示,其中,所有节点包括3个评论节点和2个用户节点,分别为评论节点F、评论节点G以及评论节点H、用户节点6以及用户节点7,图中具有方向的连接线代表情感极性传播方向,其中,种子节点可以只有一个,例如为评论节点F,基于此,获取评论节点F的评论极性值。
用户节点1与用户节点3分别对评论节点A进行了发布以及点赞,用户节点5对评论节点E进行了点赞,评论节点D为用户节点4发布的,因此,用户节点1、用户节点3、用户节点5以及评论节点D为第一对象节点。
可见,在本示例性实施例中,确定与待评论对象对应的种子节点的情感极性值,由于种子节点为确定情感极性值的点,因此为后续确定准确的情感极性分析结果奠定了基础,提高了后续确定出的待评论对象的情感极性分析结果的准确度。
在步骤S120中,获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束。
具体地,若第一对象节点为用户节点时,第二对象节点可以是用户节点所代表的用户发布的、点赞的、屏蔽的以及举报的评论节点,发布、点赞、屏蔽或举报即为第二行为关联关系,同理,若第一对象节点为评论节点,第二对象节点为点赞、发布、举报或屏蔽该评论节点的用户节点,此时点赞、发布、举报或屏蔽为第二行为关联关系。
基于此,根据第二行为关联关系以及第一对象节点的情感极性值可以确定第二对象节点的情感极性值,并以此继续直到确定所有节点的情感极性值,即完成了当前的迭代过程,值得说明的是,在下一次迭代开始时,确定的种子节点与前一次迭代过程中确定的种子节点不同。
举例而言,如图2所示,第一对象节点为用户节点1、用户节点3、用户节点5以及评论节点D,基于此,第二对象节点为评论节点B、评论节点C、评论节点D以及用户节点2,其中,评论节点D即是第一对象节点也是第二对象节点,具体地,评论节点D是相对于用户节点4的第一对象节点,评论节点D是相对于评论节点E的第二对象节点。
基于此,根据第二行为关联关系以及第一对象节点的情感极性值,确定评论节点B、评论节点C以及用户节点2的情感极性值,以完成本次迭代,并在下次迭代开始时,选取区别于评论节点A、评论节点E以及用户节点4的一个或多个节点作为种子节点,继续重复上述步骤直至迭代结束。
作为一种可选的实施例,请参考图4,图4示出了确定当前迭代中第二对象节点的情感极性值的流程示意图。如图4所示,可以包括:
步骤S410:获取与第一行为关联关系对应的第一行为情感极性值,根据第一行为情感极性值和种子节点的情感极性值,计算得到第一对象节点的情感极性值。
其中,第一行为关联关系可以是点赞、发布、屏蔽以及举报等,可以反应情感倾向的行为,其中,可以将点赞和发布看作是具有正向情感倾向的第一行为关联关系,可以将屏蔽和举报看作是具有负向情感倾向的第一行为关联关系,基于此,可以用正数表示具有正向情感倾向的第一行为关联关系的第一行为情感极性值,同理,可以用负数表示具有负向情感倾向的第一行为关联关系的第一行为情感极性值。
举例而言,如图2所示,种子节点为评论节点A、评论节点E以及用户节点4,并且,评论节点A的情感极性值为-1,评论节点E的情感极性值为+1,用户节点4的情感极性值为-1,第一对象节点为用户节点1、用户节点3、用户节点5以及评论节点D。
基于此,由于用户节点1与评论节点A的第一行为关联关系为发布,因此该第一行为关联关系的第一行为情感极性值为+1,由于用户节点3与评论节点A的第一行为关联关系为点赞,因此该第一行为关联关系的第一行为关联关系为+1,同理,由于评论节点D所代表的评论为用户节点5发布的评论,因此该第一行为关联关系为+1,由于用户节点5为与评论节点D的第一行为关联关系为点赞,因此该第一行为情感极性值为+1。
对第一行为情感极性值和种子节点的情感极性值进行计算,可以得到用户节点1的情感极性值为-1,用户节点3的情感极性值为-1,评论节点D的情感极性值为-1。
步骤S420:确定与第二行为关联关系对应的第二行为情感极性值,对第二行为情感极性值和第一对象节点的情感极性值进行计算,得到当前迭代中第二对象节点的情感极性值。
其中,第二行为情感极性值的确定过程与第一行为情感极性值的确定过程相同,同理,可以对第二行为情感极性值和第一对象节点的情感极性值进行计算,以得到第二对象节点的情感极性值。
举例而言,如图2所示,第二对象节点包括评论节点B、评论节点C以及用户节点2,由于评论节点B为用户节点1点赞的节点,因此,该第二行为情感极性值为+1,由于评论节点C为用户节点3举报的节点,因此该第二行为情感极性值为-1,由于用户节点2为点赞评论节点D的节点,因此该第二行为情感极性值为+1,基于此,计算得出评论节点B的情感极性值为-1,评论节点C的情感极性值为+1,用户节点2的情感极性值为+1。
可见,实施该可选的实施例,一方面,第一对象节点的情感极性值以及第二对象节点的情感极性值都是通过计算得出的,降低了后续确定待评论对象的情感极性分析结果的复杂度,进而提高了确定待评论对象的情感极性分析结果的效率,另一方面,第一行为情感极性值、第二行为情感极性值、种子节点的情感极性值都是与情感倾向具有直接关系的值,增加了确定待评论对象的情感极性分析结果的准确度,不再只能对短文本信息的情感极性进行识别,扩大了情感极性分析的使用场景。
作为一种可选的实施例,请参考图5,图5示出了得到当前迭代中第二对象节点的情感极性值的流程示意图。如图5所示,第一对象节点包括用户节点,第二对象节点包括评论节点,可以包括:
步骤S510:当评论节点分别与多个用户节点之间建立有第二行为关联关系时,获取与多个用户节点分别对应的极性计算权重、情感极性值。
具体地,极性计算权重指的是在计算评论节点的情感极性值的过程中,与评论节点具有第二行为关联关系的用户节点对评论节点的情感极性值的影响程度。
极性计算权重可以根据与用户节点对应的用户等级决定,也可以是根据相应的权重计算算法决定,还可以是根据用户节点的情感极性值与情感极性标准值之间的差距决定,本示例性实施例对此不做特殊限定,其中、情感极性标准值指的衡量情感极性值所代表的情感倾向的值。
举例而言,如图2所示,针对于评论节点D,用户节点2以及用户节点5都与评论节点D具有第二行为关联关系,此时确定用户节点2的极性计算权重为1,节点5的极性计算权重为1,用户节点2的情感极性值为+1,用户节点5的情感极性值为+1。
步骤S520:根据与所有的第二行为关联关系对应的第二行为极性值、与所有用户节点分别对应的极性计算权重、情感极性值,计算得到评论节点的情感极性值。
具体地,评论节点的情感极性值需要根据极性计算权重、情感极性值以及第二行为极性值计算得出。
举例而言,如图2所示,评论节点D为与用户节点4具体第一行为关联关系的节点,但评论节点D为与用户节点2以及用户节点5具有第二行为关联关系,因此,在计算评论节点D的情感极性值时,需要获取用户节点2的情感极性值+1、用户节点2的极性计算权重1、用户节点5的情感极性值+1以及用户节点5的极性计算权重1,以此得到评论节点D的情感极性值为用户节点2、用户节点4以及用户节点5的算术平均值1/3,具体地,在计算评论节点D的情感极性值时,首先确定用户节点4、用户节点5以及用户节点2的情感极性值,以及与用户节点4的点赞行为对应的情感极性值-1、与用户节点5发布行为对应的情感极性值+1以及与用户点赞行为对应的情感极性值+1,然后将用户节点4的情感极性值、与用户节点4对应的极性计算权重以及与用户节点4的点赞行为对应的情感极性值-1进行相乘得到计算结果A,以此类推,对用户节点5以及用户节点2进行相应计算得到计算结果B和计算结果C,具体地,计算结果A为-1,计算结果B和计算结果C为+1,然后将计算结果A、计算结果B以及计算结果C进行相加得到计算结果D,具体地,结算结果D为+1,最后因为用户节点4、用户节点2以及用户节点5对评论节点D之间都具有情感极性传播,因此对计算结果D除以3得到评论节点D的情感极性值+1/3。
可见,实施该可选的实施例,在计算评论节点的情感极性值时,加入极性计算权重,完善了影响评论节点情感极性值的因素,进而提高了确定出的评论节点情感极性值的准确度。
在步骤S130中,迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。
具体地,待评论对象的情感极性分析结果为用户对待评论对象的情感倾向结果,即大多数用户对待评论对象是正向的情感倾向还是负向的情感倾向。
举例而言,迭代结束时,针对于歌曲A的所有节点中超过一半的节点的情感极性值为具有正向情感倾向的情感极性值,则确定大多数用户是喜爱歌曲A的。
作为一种可选的实施例,请参考图6,图6示出了确定待评论对象的情感极性分析结果的流程示意图。如图6所示,可以包括:
步骤S610:确定迭代结束时所有节点的情感极性值,并获取正向情感极性标准值以及负向情感极性标准值。
具体地,正向情感极性标准值指的是衡量情感极性值正向情感倾向程度的值,对应的,负向情感极性标准值指的是衡量情感极性值负向情感倾向程度的值。
举例而言,当迭代结束时,获取正向情感极性标准值为+1,负向极性标准值为-1。
步骤S620:若情感极性值与正向情感极性标准值和负向情感极性标准值均不一致,则分别计算情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值。
具体地,当情感极性值与正向情感标准值以及负向情感标准值均不相同时,证明此时需要对其情感倾向进行判断,以确定情感极性。
判断的准则为计算情感极性值与正向情感极性标准值的极性差值,并计算情感极性值与负向情感极性标准值的极性差值。
举例而言,获取到所有节点的情感极性值分别为0.2,-0.9以及1.2。此时可以求得三个节点与正向情感标准值的极性差值分别为0.8、1.9以及0.2,与负向情感标准值的极性差值为1.2、0.1以及2.2。
步骤S630:根据极性差值确定所有节点的情感极性,并根据所有节点的情感极性确定待评论对象的情感极性分析结果。
具体地,若与正向情感极性标准值之间的极性差值大于与负向情感极性标准值之间的差值,则确定节点为具有负向情感极性的节点,反之,若与正向情感极性标准值之间的极性差值小于与负向情感极性标准值之间的差值,则确定节点为具有正向情感极性的节点。
根据具有正向情感极性的节点个数以及具有负向情感极性的节点个数,可以确定待评论对象的情感极性分析结果。
可见,实施该可选的实施例,通过极性差值确定节点的情感极性,不仅降低了确定情感极性的复杂度,而且还使得确定出的情感极性更加准确,进而提高后续确定待评论对象的情感极性分析结果的准确度。
作为一种可选的实施例,请参考图7,图7示出了确定待评论对象的情感极性分析结果的流程示意图。如图7所示,可以包括:
步骤S710:分别统计具有正向情感极性的节点的个数以及具有负向情感极性的节点的个数,以得到正向情感统计结果以及负向情感统计结果。
具体地,正向情感统计结果和负向情感统计结果即为一个数字,该数字表示具有正向情感极性节点的个数以及具有负向情感极性节点的个数。
举例而言,具有7个节点,其中具有正向情感极性的节点的个数为3个,具有负向情感极性的节点的个数为4个,则正向情感统计结果为3,负向情感统计结果为4。
步骤S720:根据正向情感统计结果以及负向情感统计结果,计算得出正向情感极性占比以及负向情感极性占比。
具体地,正向情感极性占比即具有正向情感极性的节点个数占总节点个数的比例,对应的,负向情感极性占比为具有负向情感极性的节点个数占总节点个数的比例。
举例而言,具有7个节点,其中具有正向情感极性的节点的个数为3个,具有负向情感极性的节点的个数为4个,则正向情感统计结果为3,负向情感统计结果为4,基于此,正向情感极性占比为3/7,负向情感极性占比为4/7。
步骤S730:若正向情感极性占比大于负向情感极性占比,或正向情感统计结果大于或等于极性个数阈值,确定待评论对象的情感极性分析结果为正向情感极性结果。
具体地,正向情感极性结果为大多数用户都对待评论对象具有正向情感的结果。
举例而言,正向情感极性占比为5/7,负向情感极性占比为2/7,显然此时,正向情感极性占比大于负向情感极性占比,则此时待评论对象的情感极性分析结果为正向情感极性结果。
步骤S740:若正向情感极性占比小于负向情感极性占比,或负向情感统计结果大于或等于极性个数阈值,确定待评论对象的情感极性分析结果为负向情感极性分析结果。
具体地,负向情感极性结果为大多数用户都对待评论对象具有负向情感的结果。
举例而言,正向情感极性占比为3/7,负向情感极性占比为4/7,显然此时,正向情感极性占比小于负向情感极性占比,则此时待评论对象的情感极性分析结果为负向情感极性结果。
可见,实施该可选的实施例,根据正向极性占比与负向极性占比之间的比较结果,可以更为准确的确定出待评论对象的情感极性分析结果。
作为一种可选的实施例,还可以包括:确定具有正向情感极性的用户节点,并向与用户节点对应的用户推荐待评论对象和/或与待评论对象相似的其他待评论对象。
具体地,具有正向情感极性的用户节点,一定是对待评论对象具有正向情感倾向的用户,因此可以对该用户推荐待评论对象或者对该用户推荐与待评论对象相似的其他待评论对象。
举例而言,具有正向情感极性的用户为用户节点A,此时可以向与用户节点A对应的用户1推荐待评论对象,即歌曲A,也可以向用户1推荐与歌曲A具有同一种曲风的歌曲B。
可见,实施该可选的实施例,只向具有正向情感极性的用户节点进行推荐,提高了推荐的效率以及精准度。
作为一种可选的实施例,请参考图8,图8示出了迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果的流程示意图。如图8所示,可以包括:
步骤S810:获取预设迭代结束次数,若与当前迭代对应的迭代次数达到预设迭代结束次数,根据节点的情感极性值确定待评论对象的情感极性分析结果。
具体地,预设迭代结束次数为预先设定的一个数值,并且当当前迭代次数等于预设迭代结束次数时,根据节点的情感极性值确定待评论对象的情感极性分析结果。
举例而言,预设迭代结束次数为200次,则当当前迭代对应的迭代次数达到200次时,根据此时所有节点的情感极性值确定待评估对象的情感极性分析结果。
步骤S820:确定与当前迭代对应的所有节点的当前迭代情感极性值,并确定相邻迭代过程中,所有节点的相邻迭代情感极性值;其中,相邻迭代过程为与当前迭代具有迭代顺序关系的迭代过程。
具体地,在迭代过程中,由于在每一次迭代的过程中,确定出的种子节点是不同的,因此在每一次迭代结束时,确定出的节点的情感极性值可能会发生变化,当前迭代情感极性值为当前迭代结束时,确定出的所有节点的情感极性值,相邻迭代情感极性值指的是上一次迭代结束时,所有节点的情感极性值。
举例而言,存在三个节点,当前迭代结束时,这三个节点的情感极性值分别为0.3、1以及0.2,在上一次迭代结束时,这三个节点的情感极性值分别为0.3、0.98以及0.2。
步骤S830:计算当前迭代情感极性值与相邻迭代情感极性值得到极性更新值,若极性更新值小于或等于预设极性变化阈值,根据所有节点的情感极性值确定待评论对象的情感分析结果。
具体地,极性更新值为当前迭代情感极性值与相邻迭代情感极性值之间的差值,预设变化阈值为用来判断节点的情感极性值的变化状况是否趋于平稳的值,显然,若极性更新值小于预设变化阈值,证明此时节点的情感极性变化状况已经趋于平稳,则此时根据节点的情感极性值确定待评论对象的情感分析结果。
举例而言,存在三个节点,当前迭代结束时,这三个节点的情感极性值分别为0.3、1以及0.2,在上一次迭代结束时,这三个节点的情感极性值分别为0.3、0.98以及0.2,基于此,极性更新值分别为0、0.02以及0,预设极性变化阈值为0.05,显然此时所有节点的极性更新值都小于预设极性变化阈值,因此,根据节点的情感极性值0.3、1以及0.2确定待评论对象的情感极性分析结果。
可见,实施该可选的实施例,提供了两种迭代结束的条件,有助于更加准确的确定迭代结束时的情感极性值,进而提高后续确定出的情感极性分析结果的准确度以及效率。
实施本申请的实施例,一方面,选取确定情感极性值的节点作为种子节点,并以此为起点,确定与种子节点具有第一行为关联关系的第一对象节点的情感极性值,并利用第一对象情感节点的情感极性值以及第二行为关联关系确定其他节点的情感极性值,以此确定待评论对象的情感极性分析结果,避免了在确定情感极性分析结果的过程中,使用社交网络信息以及只能识别短文本信息的自然语言处理技术,提高了确定出的情感极性分析结果准确度以及效率,扩大了确定情感极性分析结果的应用场景;另一方面,所有节点的情感极性值是根据计算得出的,降低了确定待评论对象的情感极性分析结果的复杂度,进而提升了确定待评论对象的情感极性分析结果的效率。
示例性介质
在介绍了本申请示例性实施方式的方法之后,接下来,对本申请示例性实施方式的介质进行说明。
在一些可能的实施方式中,本申请的各个方面还可以实现为一种介质,其上存储有程序代码,当程序代码被设备的处理器执行时用于实现本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的信息显示方法中的步骤。
具体地,所述设备的处理器执行所述程序代码时用于实现如下步骤:确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点;获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束;迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:获取与第一行为关联关系对应的第一行为情感极性值,根据第一行为情感极性值和种子节点的情感极性值,计算得到第一对象节点的情感极性值;确定与第二行为关联关系对应的第二行为情感极性值,对第二行为情感极性值和第一对象节点的情感极性值进行计算,得到当前迭代中第二对象节点的情感极性值。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:当评论节点分别与多个用户节点之间建立有第二行为关联关系时,获取与多个用户节点分别对应的极性计算权重、情感极性值;根据与所有的第二行为关联关系对应的第二行为极性值、与所有用户节点分别对应的极性计算权重、情感极性值,计算得到评论节点的情感极性值。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:确定迭代结束时所有节点的情感极性值,并获取正向情感极性标准值以及负向情感极性标准值;若情感极性值与正向情感极性标准值和负向情感极性标准值均不一致,则分别计算情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值;根据极性差值确定所有节点的情感极性,并根据所有节点的情感极性确定待评估对象的情感极性分析结果。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:分别统计具有正向情感极性的节点的个数以及具有负向情感极性的节点的个数,以得到正向情感统计结果以及负向情感统计结果;根据正向情感统计结果以及负向情感统计结果,计算得出正向情感极性占比以及负向情感极性占比;若正向情感极性占比大于负向情感极性占比,或正向情感统计结果大于或等于极性个数阈值,确定待评论对象的情感极性分析结果为正向情感极性结果;若正向情感极性占比小于负向情感极性占比,或负向情感统计结果大于或等于极性个数阈值,确定待评论对象的情感极性分析结果为负向情感极性分析结果。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:确定具有正向情感极性的用户节点,并向与用户节点对应的用户推荐所述待评论对象和/或与待评论对象相似的其他待评论对象。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:获取预设迭代结束次数,若与当前迭代对应的迭代次数达到预设迭代结束次数,根据节点的情感极性值确定待评论对象的情感极性分析结果;或确定与当前迭代对应的所有节点的当前迭代情感极性值,并确定相邻迭代过程中,所有节点的相邻迭代情感极性值;其中,相邻迭代过程为与当前迭代具有迭代顺序关系的迭代过程;
计算当前迭代情感极性值与相邻迭代情感极性值得到极性更新值,若极性更新值小于或等于预设极性变化阈值,根据所有节点的情感极性值确定所述待评论对象的情感分析结果。
需要说明的是:上述的介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
示例性装置
在介绍了本申请示例性实施方式的介质之后,接下来,参考图9对本申请示例性实施方式的情感极性分析装置进行说明。
请参阅图9,图9示出的是根据本申请一示例实施方式的情感极性分析装置的结构框图。如图9所示,本申请一示例实施方式的情感极性分析装置900包括:获取单元910、迭代单元920以及情感极性分析单元930,其中:
获取单元910,被用于确定与待评论对象对应的种子节点的情感极性值,并获取与种子节点具有第一行为关联关系的第一对象节点;其中,种子节点为确定情感极性值的节点;
迭代单元920,被用于获取与第一对象节点具有第二行为关联关系的第二对象节点,并基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,以继续进行迭代直至迭代结束;
情感极性分析单元930,被用于迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果。
可见,实施图9所示的装置,选取确定情感极性值的节点作为种子节点,并以此为起点,确定与种子节点具有第一行为关联关系的第一对象节点的情感极性值,并利用第一对象情感节点的情感极性值以及第二行为关联关系确定其他节点的情感极性值,以此确定待评论对象的情感极性分析结果,避免了在确定情感极性分析结果的过程中,使用社交网络信息以及只能识别短文本信息的自然语言处理技术,提高了确定出的情感极性分析结果准确度以及效率,扩大了确定情感极性分析结果的应用场景。
在一个实施例中,基于前述方案,迭代单元920基于第二行为关联关系以及第一对象节点的情感极性值,确定当前迭代中第二对象节点的情感极性值,包括:
获取与第一行为关联关系对应的第一行为情感极性值,根据第一行为情感极性值和种子节点的情感极性值,计算得到第一对象节点的情感极性值;
确定与第二行为关联关系对应的第二行为情感极性值,对第二行为情感极性值和第一对象节点的情感极性值进行计算,得到当前迭代中第二对象节点的情感极性值。
可见,实施该可选的实施例,一方面,第一对象节点的情感极性值以及第二对象节点的情感极性值都是通过计算得出的,降低了后续确定待评论对象的情感极性分析结果的复杂度,进而提高了确定待评论对象的情感极性分析结果的效率,另一方面,第一行为情感极性值、第二行为情感极性值、种子节点的情感极性值都是与情感倾向具有直接关系的值,增加了确定待评论对象的情感极性分析结果的准确度,不再只能对短文本信息的情感极性进行识别,扩大了情感极性分析的使用场景。
在一个实施例中,基于前述方案,迭代单元920对第二行为情感极性值和第一对象节点的情感极性值进行计算,得到当前迭代中第二对象节点的情感极性值,包括:
当评论节点分别与多个用户节点之间建立有第二行为关联关系时,获取与多个用户节点分别对应的极性计算权重、情感极性值;
根据与所有的第二行为关联关系对应的第二行为极性值、与所有用户节点分别对应的极性计算权重、情感极性值,计算得到评论节点的情感极性值。
可见,实施该可选的实施例,在计算评论节点的情感极性值时,加入极性计算权重,完善了影响评论节点情感极性值的因素,进而提高了确定出的评论节点情感极性值的准确度。
在一个实施例中,基于前述方案,迭代单元920迭代结束时,根据节点的情感极性值确定待评论对象的情感极性分析结果,包括:
确定迭代结束时所有节点的情感极性值,并获取正向情感极性标准值以及负向情感极性标准值;
若情感极性值与正向情感极性标准值和负向情感极性标准值均不一致,则分别计算情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值;
根据极性差值确定所有节点的情感极性,并根据所有节点的情感极性确定待评估对象的情感极性分析结果。
可见,实施该可选的实施例,通过极性差值确定节点的情感极性,不仅降低了确定情感极性的复杂度,而且还使得确定出的情感极性更加准确,进而提高后续确定待评论对象的情感极性分析结果的准确度。
在一个实施例中,基于前述方案,迭代单元920根据所有节点的情感极性确定待评论对象的情感极性分析结果,包括:
分别统计具有正向情感极性的节点的个数以及具有负向情感极性的节点的个数,以得到正向情感统计结果以及负向情感统计结果;
根据正向情感统计结果以及负向情感统计结果,计算得出正向情感极性占比以及负向情感极性占比;
若正向情感极性占比大于负向情感极性占比,或正向情感统计结果大于或等于极性个数阈值,确定待评论对象的情感极性分析结果为正向情感极性结果;
若正向情感极性占比小于负向情感极性占比,或负向情感统计结果大于或等于极性个数阈值,确定待评论对象的情感极性分析结果为负向情感极性分析结果。
可见,实施该可选的实施例,根据正向极性占比与负向极性占比之间的比较结果,可以更为准确的确定出待评论对象的情感极性分析结果。
在一个实施例中,基于前述方案,迭代单元920,方法还包括:确定具有正向情感的用户节点,并向与用户节点对应的用户推荐待评论对象和/或与待评论对象相似的其他待评论对象。
可见,实施该可选的实施例,只向具有正向情感极性的用户节点进行推荐,提高了推荐的效率以及精准度。
在一个实施例中,基于前述方案,情感极性分析单元930,迭代结束时,根据所有节点的情感极性值确定待评论对象的情感极性分析结果包括:
获取预设迭代结束次数,若与当前迭代对应的迭代次数达到预设迭代结束次数,根据节点的情感极性值确定待评论对象的情感极性分析结果;或
确定与当前迭代对应的所有节点的当前迭代情感极性值,并确定相邻迭代过程中,所有节点的相邻迭代情感极性值;其中,相邻迭代过程为与当前迭代具有迭代顺序关系的迭代过程;
计算当前迭代情感极性值与相邻迭代情感极性值得到极性更新值,若极性更新值小于或等于预设极性变化阈值,根据所有节点的情感极性值确定待评论对象的情感分析结果。
可见,实施该可选的实施例,提供了两种迭代结束的条件,有助于更加准确的确定迭代结束时的情感极性值,进而提高后续确定出的情感极性分析结果的准确度以及效率。
应当注意,尽管在上文详细描述中提及了情感极性分析装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
示例性电子设备
在介绍了本申请示例性实施方式的方法、介质和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为***、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图10来描述根据本公开的这种实施例的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同***组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1021和/或高速缓存存储单元1022,还可以进一步包括只读存储单元(ROM)1023。
存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/使用工具1024,这样的程序模块1025包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包含网络环境的现实。
总线1030可以包括数据总线、地址总线和控制总线。
电子设备1000也可以与一个或多个外部设备1070(例如键盘、指向设备、蓝牙设备等)通信,这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
虽然已经参考若干具体实施方式描述了本申请的精神和原理,但是应该理解,本申请并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本申请旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (16)
1.一种情感极性分析方法,其特征在于,所述方法包括:
确定与待评论对象对应的种子节点的情感极性值,并获取与所述种子节点具有第一行为关联关系的第一对象节点;其中,所述种子节点为确定情感极性值的节点;
获取与所述第一对象节点具有第二行为关联关系的第二对象节点,获取所述第一对象节点分别对应的极性计算权重、情感极性值;
根据与所有的所述第二行为关联关系对应的第二行为极性值、与所有所述第一对象节点分别对应的所述极性计算权重、所述情感极性值,计算得到所述第二对象节点的情感极性值,以完成一次迭代过程;
在下一次迭代开始时选取区别于上一次迭代过程中所确定的种子节点的一个或多个节点作为所述下一次迭代中与所述待评论对象对应的种子节点,以执行下一次迭代过程,以此循环,直至满足迭代结束条件为止;
迭代结束时,分别计算所有节点的情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值,根据所述极性差值确定所有所述节点的情感极性,以根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果。
2.根据权利要求1所述的情感极性分析方法,其特征在于,所述获取所述第一对象节点分别对应的情感极性值,包括:
获取与所述第一行为关联关系对应的第一行为情感极性值,根据所述第一行为情感极性值和所述种子节点的情感极性值,计算得到所述第一对象节点的情感极性值。
3.根据权利要求1所述的情感极性分析方法,其特征在于,所述第一对象节点包括用户节点,所述第二对象节点包括评论节点;
所述根据与所有的所述第二行为关联关系对应的第二行为极性值、与所有所述第一对象节点分别对应的所述极性计算权重、所述情感极性值,计算得到所述第二对象节点的情感极性值,包括:
确定与所述第二行为关联关系对应的第二行为情感极性值;
当所述评论节点分别与多个所述用户节点之间建立有第二行为关联关系时,获取与多个所述用户节点分别对应的极性计算权重、情感极性值;
根据与所有的所述第二行为关联关系对应的第二行为极性值、与所有所述用户节点分别对应的所述极性计算权重、所述情感极性值,计算得到所述评论节点的情感极性值。
4.根据权利要求1至3中任一项所述情感极性分析方法,其特征在于,所述迭代结束时,分别计算所有节点的情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值,根据所述极性差值确定所有所述节点的情感极性,以根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果,包括:
确定迭代结束时所有节点的情感极性值,并获取正向情感极性标准值以及负向情感极性标准值;
若所述情感极性值与所述正向情感极性标准值和所述负向情感极性标准值均不一致,则分别计算所述情感极性值和所述正向情感极性标准值以及所述负向情感极性标准值之间的极性差值;
根据所述极性差值确定所有所述节点的情感极性,并根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果。
5.根据权利要求4所述的情感极性分析方法,其特征在于,所述根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果,包括:
分别统计具有正向情感极性的所述节点的个数以及具有负向情感极性的所述节点的个数,以得到正向情感统计结果以及负向情感统计结果;
根据所述正向情感统计结果以及所述负向情感统计结果,计算得出正向情感极性占比以及负向情感极性占比;
若所述正向情感极性占比大于所述负向情感极性占比,或所述正向情感统计结果大于或等于极性个数阈值,确定所述待评论对象的情感极性分析结果为正向情感极性结果;
若所述正向情感极性占比小于所述负向情感极性占比,或所述负向情感统计结果大于或等于所述极性个数阈值,确定所述待评论对象的情感极性分析结果为负向情感极性分析结果。
6.根据权利要求5所述的情感极性分析方法,其特征在于,所述方法还包括:
确定具有所述正向情感极性的用户节点,并向与所述用户节点对应的所述用户推荐所述待评论对象和/或与所述待评论对象相似的其他待评论对象。
7.根据权利要求1所述的情感极性分析方法,其特征在于,所述迭代结束时,分别计算所有节点的情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值,根据所述极性差值确定所有所述节点的情感极性,以根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果,包括:
获取预设迭代结束次数,若与当前迭代对应的迭代次数达到所述预设迭代结束次数,根据所述节点的情感极性值确定所述待评论对象的情感极性分析结果;或
确定与所述当前迭代对应的所有节点的当前迭代情感极性值,并确定相邻迭代过程中,所有所述节点的相邻迭代情感极性值;其中,所述相邻迭代过程为与所述当前迭代具有迭代顺序关系的迭代过程;
计算所述当前迭代情感极性值与所述相邻迭代情感极性值得到极性更新值,若所述极性更新值小于或等于预设极性变化阈值,根据所有节点的情感极性值确定所述待评论对象的情感分析结果。
8.一种情感极性分析装置,其特征在于,包括:
获取单元,被用于确定与待评论对象对应的种子节点的情感极性值,并获取与所述种子节点具有第一行为关联关系的第一对象节点;其中,所述种子节点为确定情感极性值的节点;
迭代单元,被用于获取与所述第一对象节点具有第二行为关联关系的第二对象节点,获取所述第一对象节点分别对应的极性计算权重、情感极性值;根据与所有的所述第二行为关联关系对应的第二行为极性值、与所有所述第一对象节点分别对应的所述极性计算权重、所述情感极性值,计算得到所述第二对象节点的情感极性值,以完成一次迭代过程;在下一次迭代开始时选取区别于上一次迭代过程中所确定的种子节点的一个或多个节点作为所述下一次迭代中与所述待评论对象对应的种子节点,以执行下一次迭代过程,以此循环,直至满足迭代结束条件为止;
情感极性分析单元,被用于迭代结束时,分别计算所有节点的情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值,根据所述极性差值确定所有所述节点的情感极性,以根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果。
9.根据权利要求8所述的装置,其特征在于,所述获取所述第一对象节点分别对应的情感极性值,所述装置包括:
第一计算单元,被用于获取与所述第一行为关联关系对应的第一行为情感极性值,根据所述第一行为情感极性值和所述种子节点的情感极性值,计算得到所述第一对象节点的情感极性值。
10.根据权利要求8所述的装置,其特征在于,所述第一对象节点包括用户节点,所述第二对象节点包括评论节点;
所述根据与所有的所述第二行为关联关系对应的第二行为极性值、与所有所述第一对象节点分别对应的所述极性计算权重、所述情感极性值,计算得到所述第二对象节点的情感极性值,所述装置包括:
第二计算单元,被用于确定与所述第二行为关联关系对应的第二行为情感极性值;
关联单元,被用于当所述评论节点分别与多个所述用户节点之间建立有第二行为关联关系时,获取与多个所述用户节点分别对应的极性计算权重、情感极性值;
第三计算单元,被用于根据与所有的所述第二行为关联关系对应的第二行为极性值、与所有所述用户节点分别对应的所述极性计算权重、所述情感极性值,计算得到所述评论节点的情感极性值。
11.根据权利要求8至10中任一项所述装置,其特征在于,所述迭代结束时,分别计算所有节点的情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值,根据所述极性差值确定所有所述节点的情感极性,以根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果,所述装置包括:
第一确定单元,被用于确定迭代结束时所有节点的情感极性值,并获取正向情感极性标准值以及负向情感极性标准值;
第四计算单元,被用于若所述情感极性值与所述正向情感极性标准值和所述负向情感极性标准值均不一致,则分别计算所述情感极性值和所述正向情感极性标准值以及所述负向情感极性标准值之间的极性差值;
第二确定单元,被用于根据所述极性差值确定所有所述节点的情感极性,并根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果。
12.根据权利要求11所述的装置,其特征在于,所述根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果,所述装置包括:
统计单元,被用于分别统计具有正向情感极性的所述节点的个数以及具有负向情感极性的所述节点的个数,以得到正向情感统计结果以及负向情感统计结果;
第五计算单元,被用于根据所述正向情感统计结果以及所述负向情感统计结果,计算得出正向情感极性占比以及负向情感极性占比;
第三确定单元,被用于若所述正向情感极性占比大于所述负向情感极性占比,或所述正向情感统计结果大于或等于极性个数阈值,确定所述待评论对象的情感极性分析结果为正向情感极性结果;
第四确定单元,被用于若所述正向情感极性占比小于所述负向情感极性占比,或所述负向情感统计结果大于或等于所述极性个数阈值,确定所述待评论对象的情感极性分析结果为负向情感极性分析结果。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:
推荐单元,被用于确定具有所述正向情感极性的用户节点,并向与所述用户节点对应的所述用户推荐所述待评论对象和/或与所述待评论对象相似的其他待评论对象。
14.根据权利要求8所述的装置,其特征在于,所述迭代结束时,分别计算所有节点的情感极性值和正向情感极性标准值以及负向情感极性标准值之间的极性差值,根据所述极性差值确定所有所述节点的情感极性,以根据所有所述节点的所述情感极性确定所述待评论对象的情感极性分析结果,所述装置包括:
第五确定单元,被用于获取预设迭代结束次数,若与当前迭代对应的迭代次数达到所述预设迭代结束次数,根据所述节点的情感极性值确定所述待评论对象的情感极性分析结果;或
第六确定单元,被用于确定与所述当前迭代对应的所有节点的当前迭代情感极性值,并确定相邻迭代过程中,所有所述节点的相邻迭代情感极性值;其中,所述相邻迭代过程为与所述当前迭代具有迭代顺序关系的迭代过程;
第七确定单元,被用于计算所述当前迭代情感极性值与所述相邻迭代情感极性值得到极性更新值,若所述极性更新值小于或等于预设极性变化阈值,根据所有节点的情感极性值确定所述待评论对象的情感分析结果。
15.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行权利要求1-7中的任意一项所述的情感极性分析方法。
16.一种计算机可读存储介质,其上存储计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中的任意一项所述的情感极性分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868892.7A CN113688202B (zh) | 2021-07-30 | 2021-07-30 | 情感极性分析方法、装置、电子设备以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868892.7A CN113688202B (zh) | 2021-07-30 | 2021-07-30 | 情感极性分析方法、装置、电子设备以及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688202A CN113688202A (zh) | 2021-11-23 |
CN113688202B true CN113688202B (zh) | 2024-03-15 |
Family
ID=78578340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110868892.7A Active CN113688202B (zh) | 2021-07-30 | 2021-07-30 | 情感极性分析方法、装置、电子设备以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688202B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114286155A (zh) * | 2021-12-07 | 2022-04-05 | 咪咕音乐有限公司 | 基于弹幕的画面元素修改方法、装置、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354305A (zh) * | 2015-11-05 | 2016-02-24 | 北京邮电大学 | 一种网络谣言的识别方法及装置 |
JP2016162357A (ja) * | 2015-03-04 | 2016-09-05 | Kddi株式会社 | 商品に対するユーザの感情分析装置及びプログラム |
CN106780073A (zh) * | 2017-01-11 | 2017-05-31 | 中南大学 | 一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法 |
CN108256098A (zh) * | 2018-01-30 | 2018-07-06 | ***股份有限公司 | 一种确定用户评论情感倾向的方法及装置 |
CN108460009A (zh) * | 2017-12-14 | 2018-08-28 | 中山大学 | 嵌入情感词典的注意力机制循环神经网络文本情感分析法 |
CN109766477A (zh) * | 2018-12-26 | 2019-05-17 | 杭州铭智云教育科技有限公司 | 一种获取正向目标用户的方法 |
CN110070410A (zh) * | 2019-03-07 | 2019-07-30 | 特斯联(北京)科技有限公司 | 一种基于大数据的人口社交分析方法及*** |
CN110489553A (zh) * | 2019-07-26 | 2019-11-22 | 湖南大学 | 一种基于多源信息融合的情感分类方法 |
CN112364170A (zh) * | 2021-01-13 | 2021-02-12 | 北京智慧星光信息技术有限公司 | 数据情感分析方法、装置、电子设备及介质 |
CN113032684A (zh) * | 2019-12-05 | 2021-06-25 | 天津科技大学 | 一种基于复杂网络的食品安全网络舆情传播演化的建模方法 |
CN113157899A (zh) * | 2021-05-27 | 2021-07-23 | 东莞心启航联贸网络科技有限公司 | 一种大数据画像分析方法、服务器及可读存储介质 |
-
2021
- 2021-07-30 CN CN202110868892.7A patent/CN113688202B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016162357A (ja) * | 2015-03-04 | 2016-09-05 | Kddi株式会社 | 商品に対するユーザの感情分析装置及びプログラム |
CN105354305A (zh) * | 2015-11-05 | 2016-02-24 | 北京邮电大学 | 一种网络谣言的识别方法及装置 |
CN106780073A (zh) * | 2017-01-11 | 2017-05-31 | 中南大学 | 一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法 |
CN108460009A (zh) * | 2017-12-14 | 2018-08-28 | 中山大学 | 嵌入情感词典的注意力机制循环神经网络文本情感分析法 |
CN108256098A (zh) * | 2018-01-30 | 2018-07-06 | ***股份有限公司 | 一种确定用户评论情感倾向的方法及装置 |
CN109766477A (zh) * | 2018-12-26 | 2019-05-17 | 杭州铭智云教育科技有限公司 | 一种获取正向目标用户的方法 |
CN110070410A (zh) * | 2019-03-07 | 2019-07-30 | 特斯联(北京)科技有限公司 | 一种基于大数据的人口社交分析方法及*** |
CN110489553A (zh) * | 2019-07-26 | 2019-11-22 | 湖南大学 | 一种基于多源信息融合的情感分类方法 |
CN113032684A (zh) * | 2019-12-05 | 2021-06-25 | 天津科技大学 | 一种基于复杂网络的食品安全网络舆情传播演化的建模方法 |
CN112364170A (zh) * | 2021-01-13 | 2021-02-12 | 北京智慧星光信息技术有限公司 | 数据情感分析方法、装置、电子设备及介质 |
CN113157899A (zh) * | 2021-05-27 | 2021-07-23 | 东莞心启航联贸网络科技有限公司 | 一种大数据画像分析方法、服务器及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Chenhao Tan.et al.User-level sentiment analysis incorporating social networks.KDD '11: Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining.2011,第1397–1405页. * |
融合用户情感评分的节点专业影响力分析;王仁武等;现代情报;第54-61页 * |
面向微博的情感影响最大化模型;欧高炎等;计算机科学与探索;第769-778页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688202A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360012B (zh) | 广告投放渠道的选择方法及装置、存储介质、电子设备 | |
JP6892484B2 (ja) | 物体検出枠を生成する方法とその装置、機器、記憶媒体及び車両 | |
CN110968985B (zh) | 集成电路修补算法确定方法及装置、存储介质、电子设备 | |
CN109461023B (zh) | 流失用户挽回方法及装置、电子设备、存储介质 | |
CN105574098A (zh) | 知识图谱的生成方法及装置、实体对比方法及装置 | |
CN111127051B (zh) | 多渠道动态归因方法、装置、服务器及存储介质 | |
CN109272348B (zh) | 活跃用户数量确定方法及装置、存储介质和电子设备 | |
CN109582906B (zh) | 数据可靠度的确定方法、装置、设备和存储介质 | |
CN110833696A (zh) | 玩家排名方法与装置、存储介质、电子设备 | |
CN111079944B (zh) | 迁移学习模型解释实现方法及装置、电子设备、存储介质 | |
CN113538154B (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
CN111291936B (zh) | 产品生命周期预估模型生成方法、装置及电子设备 | |
CN110704727A (zh) | 信息推送方法、装置和计算机设备 | |
CN113688202B (zh) | 情感极性分析方法、装置、电子设备以及计算机存储介质 | |
CN109710523B (zh) | 视觉稿的测试用例生成方法及装置、存储介质、电子设备 | |
CN113822693A (zh) | 用户购买力评价值的生成方法、装置、设备及存储介质 | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
CN117573507A (zh) | 测试用例生成方法、装置、电子设备及存储介质 | |
US20210201394A1 (en) | Dynamic financial health predictor | |
US20230196245A1 (en) | Method and apparatus for predicting risk, electronic device, computer readable storage medium | |
CN109857816B (zh) | 测试样本的选取方法及装置、存储介质、电子设备 | |
CN116563007A (zh) | 授信信用风险预测方法、电子设备及可读存储介质 | |
CN116304236A (zh) | 一种用户画像生成方法、装置、电子设备和存储介质 | |
CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
CN115204931A (zh) | 用户服务策略确定方法、装置及电子设备 |
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 |