CN115422930A - 一种情感分析方法、装置、设备及存储介质 - Google Patents
一种情感分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115422930A CN115422930A CN202211113973.7A CN202211113973A CN115422930A CN 115422930 A CN115422930 A CN 115422930A CN 202211113973 A CN202211113973 A CN 202211113973A CN 115422930 A CN115422930 A CN 115422930A
- Authority
- CN
- China
- Prior art keywords
- emotion
- analyzed
- comment text
- polarity information
- inputting
- 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.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 266
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101100369915 Drosophila melanogaster stas gene Proteins 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种情感分析方法、装置、设备及存储介质。该方法包括：获取待分析评论文本；将所述待分析评论文本输入第一模型，得到情感极性信息集合；根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数，通过本发明的技术方案，能够分析具有复杂情感的文本信息，提高情感分析的准确度。
Description
技术领域
本发明实施例涉及自然语言处理技术领域，尤其涉及一种情感分析方法、装置、设备及存储介质。
背景技术
随着互联网科技的发展，在自然语言处理应用中，情感分析有着巨大的前景，越来越多的用户会在网络社交媒体上对某一事件或产品发表各种评论语句，根据这些评论语句可评估用户的态度、情绪。例如，潜在的用户可通过浏览这些主观色彩的评论来了解大众舆论对于事物的看法。
现有的情感分析方式，无法对有复杂情感的文章进行情感分析，模型训练用时长，并且情感分析结果准确率较低。
发明内容
本发明实施例提供一种情感分析方法、装置、设备及存储介质，解决了无法对有复杂情感的文章进行情感分析，模型训练用时长，并且情感分析结果准确率较低的问题，能够分析具有复杂情感的文本信息，提高情感分析的准确度。
根据本发明的一方面，提供了一种情感分析方法，该方法包括：
获取待分析评论文本；
将所述待分析评论文本输入第一模型，得到情感极性信息集合；
根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数。
根据本发明的另一方面，提供了一种情感分析装置，该情感分析装置包括：
待分析评论文本获取模块，用于获取待分析评论文本；
情感极性信息集合得到模块，用于将所述待分析评论文本输入第一模型，得到情感极性信息集合；
情感分数确定模块，用于根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的情感分析方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的情感分析方法。
本发明实施例通过获取待分析评论文本；将所述待分析评论文本输入第一模型，得到情感极性信息集合；根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数，解决了无法对有复杂情感的文章进行情感分析，模型训练用时长，并且情感分析结果准确率较低的问题，能够分析具有复杂情感的文本信息，提高情感分析的准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例一中的一种情感分析方法的流程图；
图2是本发明实施例一中的一种依赖解析图的示意图；
图3是本发明实施例二中的一种情感分析装置的结构示意图；
图4是本发明实施例三中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例提供的一种情感分析方法的流程图，本实施例可适用于对文本进行情感分析的情况，该方法可以由本发明实施例中的情感分析装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取待分析评论文本。
其中，待分析评论文本是在可以进行评论留言的软件平台中抓取的评价、留言等评论信息，并对评论信息进行简单处理形成的文本。
具体的，获取待分析评论文本的方式可以为：从应用中抓取评价、留言等评论信息，对评论信息进行如下处理：将中文数字归一化为罗马数字；将日期归一化为罗马数字；将英文单词中的数字归一化为罗马数字；将中文标点符号归一化为英文符号，将处理后的评论信息确定为待分析评论文本。
通过对抓取的评论信息进行处理，便于后期对待分析评论文本进行分词处理以及后期对待分析评论文本进行识别操作时，避免出现由于同一内容不同的表达形式，导致识别时出现不同结果的情况，能够提升待分析评论文本识别的准确率。
S120，将所述待分析评论文本输入第一模型，得到情感极性信息集合。
其中，第一模型可以通过目标样本集迭代训练神经网络模型得到，目标样本集包括：评论文本样本和所述评论文本样本对应的情感极性信息集合。具体的，通过目标样本集迭代训练神经网络模型包括：建立神经网络模型，将所述目标样本集中的评论文本样本输入所述神经网络模型，得到预测情感极性信息集合，根据所述预测情感极性信息集合和所述所述评论文本样本对应的情感极性信息集合生成的目标函数训练所述神经网络模型的参数，返回执行将所述目标样本集中的评论文本样本输入所述神经网络模型，得到预测情感极性信息集合的操作，直至得到第一模型。
其中，情感极性可以为positive(积极)、normal(中性)及negative(消极)中的至少一种，例如可以是一段文本中共有三句话，每一句话都有其自身情感极性，三句话的情感极性为情感极性信息集合。
其中，情感极性信息集合中包括至少一个情感极性信息，例如可以是，情感极性信息集合包括：积极情感、消极情感以及中性情感。
具体的，将所述待分析评论文本输入第一模型，得到情感极性信息集合的方式可以为：获取待分析评论文本，将待分析评论文本进行分词操作得到至少一个字符，将字符输入到转化层中获取每个字符对应的向量，将字符对应的向量输入到前馈神经网络层，得到添加核心信息和添加依赖信息后的待分析评论文本，根据得到的添加核心信息和添加依赖信息后的待分析评论文本输入到评分层，得到文本中任意两字符对应的目标分数，将得到的目标分数输入构造层，构造至少一组情感四元组，根据所述至少一组情感四元组包括的情感极性信息生成情感极性信息集合。将所述待分析评论文本输入第一模型，得到情感极性信息集合的方式还可以为：获取待分析评论文本，将待分析评论文本进行分词操作得到至少一个字符，将字符输入到转化层中获取每个字符对应的向量，将字符对应的向量输入到前馈神经网络层，得到添加核心信息和添加依赖信息后的待分析评论文本，根据得到的添加核心信息和添加依赖信息后的待分析评论文本输入到评分层，得到文本中任意两字符对应的目标分数，将得到的目标分数输入构造层，得到情感极性信息集合。
S130，根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数。
其中，情感极性信息集合中的情感极性信息对应的分数可以为提前设置的数值，不同情感极性对应不同的分数。
具体的，根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数的方式可以为：获取待分析评论文本的情感极性信息集合中的情感极性信息以及情感极性信息对应的分数，将情感极性信息集合中每个情感极性信息对应的分数之和确定为待分析评论文本对应的情感分数。
可选的，根据所述情感极性信息集合中的情感极性信息对应的分数和情感极性信息的数量确定待分析评论文本对应的情感分数，包括：
若情感极性信息为第一类型，则情感极性信息对应的分数为第一数值；
若情感极性信息为第二类型，则情感极性信息对应的分数为第二数值；
若情感极性信息为第三类型，则情感极性信息对应的分数为第三数值；
根据各类情感极性信息对应的分数获取所述情感极性信息集合中的情感极性信息对应的分数之和；
将所述情感极性信息集合中的情感极性信息对应的分数之和确定为待分析评论文本对应的情感分数。
其中，情感极性信息可以分为三种类型：第一类型positive(积极)、第二类型normal(中性)和第三类型negative(消极)。
其中，第一数值、第二数值和第三数值可以为随机设置的数值，但需要注意的是，第一数值、第二数值和第三数值为不同的数值，例如可以是将第一数值设置为1，将第二数值设置为0，将第三数值设置为-1。
具体的，若情感极性信息为第一类型，则情感极性信息对应的分数为第一数值的方式可以为：获取情感极性信息集合，判断集合中的情感极性信息类型，若情感极性信息属于第一类型positive，则确定此情感极性信息对应的分数为1。
具体的，若情感极性信息为第二类型，则情感极性信息对应的分数为第二数值的方式可以为：获取情感极性信息集合，判断集合中的情感极性信息类型，若情感极性信息属于第二类型normal，则确定此情感极性信息对应的分数为0。
具体的，若情感极性信息为第三类型，则情感极性信息对应的分数为第三数值的方式可以为：获取情感极性信息集合，判断集合中的情感极性信息类型，若情感极性信息属于第三类型negative，则确定此情感极性信息对应的分数为-1。
具体的，根据各类情感极性信息对应的分数获取所述情感极性信息集合中的情感极性信息对应的分数之和；将所述情感极性信息集合中的情感极性信息对应的分数之和确定为待分析评论文本对应的情感分数，例如可以是，若情感极性信息集合包括：情感极性信息A、情感极性信息B、情感极性信息C，其中，情感极性信息A属于第一类型，即情感极性信息A对应的分数为1，情感极性信息B属于第二类型，即情感极性信息B对应的分数为0，情感极性信息C属于第三类型，即情感极性信息C对应的分数为-1，则此情感极性信息集合中的情感极性信息对应的分数之和为0，即待分析评论文本对应的情感分数为0。
可选的，将所述待分析评论文本输入第一模型，得到情感极性信息集合，包括：
将所述待分析评论文本输入第一模型，得到至少一组情感四元组，其中，所述情感四元组包括：拥有者信息、评价目标信息、情感表达式信息以及情感极性信息；
根据所述至少一组情感四元组包括的情感极性信息生成情感极性信息集合。
其中，情感四元组包括：拥有者信息、评价目标信息、情感表达式信息以及情感极性信息，拥有者信息(holder)是拥有者与被拥有者的关系，评价目标信息(target)是授予目标关系，情感表达式信息(expression)是表达情感的信息，情感极性信息(polarity)是positive(积极)、normal(中性)和negative(消极)三种情感极性。
具体的，将所述待分析评论文本输入第一模型，得到至少一组情感四元组的方式可以为：将待分析评论文本进行分词得到至少两个字符，将得到的字符通过转化层得到字符对应的向量，将向量输入到前馈神经网络层中，得到添加核心信息和依赖信息后的待分析评论文本，将添加核心信息和依赖信息后的待分析评论文本输入到评分层，得到文本中任意两字符对应的目标分数，将得到的目标分数输入构造层，构造至少一组情感四元组。
具体的，根据所述至少一组情感四元组包括的情感极性信息生成情感极性信息集合的方式可以为：根据构造的至少一组情感四元组确定待分析评论文本中的情感极性信息，根据确定的情感极性信息生成情感极性信息集合。
可选的，将所述待分析评论文本输入第一模型，得到至少一组情感四元组，包括：
将所述待分析评论文本输入前馈神经网络层，得到添加目标信息的待分析评论文本；
将所述添加目标信息的待分析评论文本输入评分层，得到所述待分析评论文本中任意两个字符对应的目标分数；
将所述任意两个字符对应的目标分数输入构造层，得到情感四元组。
其中，前馈神经网络是一种人工神经网络，其中节点之间的连接不形成循环，信息只沿一个方向向前移动，从输入节点，通过隐藏节点(如果有的话)到达输出节点。目标信息可为在前馈神经网络前添加的head信息和dependent信息，其中，head信息为核心信息，dependent信息为依赖信息。
其中，所述目标分数为任意两个字符对应的6个维度的分数，其中，6个维度可以包括：holder，target，exp：positive，exp：negative，exp：normal，NONE，其中，NONE表示两个字符之间没有连接关系。例如可以是，所述目标分数包括：第一字符和第二字符之间的关系为holder的分数，第一字符和第二字符之间的关系为target的分数，第一字符和第二字符之间的关系为positive的分数，第一字符和第二字符之间的关系为negative的分数，第一字符和第二字符之间的关系为normal的分数，第一字符和第二字符之间的关系为NONE的分数。
其中，评分层是用来计算添加了目标信息的待分析评论文本中任意两个字符对应的分数。例如可以是，评分层可以为双向注意力网络层，通过评分层计算添加了head信息和dependent信息的待分析评论文本中任意两个字符对应的6个维度的得分。
其中，构造层是利用获得的任意两个字符的连接关系，构造至少一组情感四元组的一层架构，还可以构造文本语句的依赖解析图，构造层可以为Softmax层，可以将评分层中获取的任意两个字符对应的6个维度的得分向量作为输入，映射到(0，1)区间内，计算出概率，选取概率最大的结果作为预测目标。例如可以是，若第一字符和第二字符之间的关系为target的概率大于其他5个维度的概率，则将第一字符和第二字符之间的关系确定为target。
具体的，将所述待分析评论文本输入前馈神经网络层，得到添加目标信息的待分析评论文本的方式可以为：获取待分析评论文本，将文本中的句子进行分词操作得到至少一个字符，将字符输入到转换层转化为对应的向量，将向量输入到前馈神经网络层，分别得到添加head信息和dependent信息的待分析评论文本，即添加目标信息的待分析文本。
具体的，将所述添加目标信息的待分析评论文本输入评分层，得到所述待分析评论文本中任意两个字符对应的目标分数的方式可以为：将获取的添加head信息的待分析评论文本和获取的添加dependent信息的待分析评论文本输入到双向注意力网络层，获取添加head信息和dependent信息后的文本中任意两个字符对应的6个维度的得分，将添加head信息和dependent信息后的文本中任意两个字符对应的6个维度的得分确定为目标分数。
具体的，将所述任意两个字符对应的目标分数输入构造层，得到情感四元组的方式可以为：将任意两个字符对应的目标分数输入Softmax层，得到两个字符对应的连接关系，根据两个字符对应的连接关系确定情感四元组。
可选的，将所述待分析评论文本输入前馈神经网络层，得到添加目标信息的待分析评论文本，包括：
将所述待分析评论文本输入分词层，得到至少一个字符；
将所述至少一个字符输入转换层，得到每个字符对应的向量；
将所述每个字符对应的向量输入前馈神经网络层，得到添加目标信息后的待分析评论文本。
其中，分词层主要是将在软件平台中抓取的评价、留言等评论信息，对信息进行处理后获取的待分析评论文本进行分词操作，可在分词层放置子词分词器，利用子词分词器对待分析评论文本进行分词操作。例如可以是，对于中文，可以按照单个词语进行分词，也可以按照单个字进行分词；对于英文，通过将英文单词分割为各个子词，利用语言模型学习到各子词的意思，解决英语语句自然语言处理任务中数据稀疏与未见词的问题。例如可以是，“unwanted”可分解为“un”、“want”、“ed”三个子词。而各子词本身含有一定的语义，如“un”作为前缀有否定的意思，“want”有想的意思，“ed”作为后缀有被的意思，合起来有不被需要的意思。
其中，转化层是为了将待分析评论文本经过分词操作得到的字符转化为字符对应的向量，方便后期输入到第一模型中进行训练，例如可以是，在转化层中放置ERNIE-M预训练语言模型，ERNIE-M是一个跨语种预训练语言模型，支持96种语言，可以当做语言特征提取器，输入子词语句，输出字词语句对应的词向量。
具体的，将所述待分析评论文本输入分词层，得到至少一个字符的方式可以为：将待分析评论文本输入到子词分词器，将文本中的中文和英文进行分词后输出。
具体的，将所述至少一个字符输入转换层，得到每个字符对应的向量的方式可以为：将在子词分词器中获取的至少一个字符输入到ERNIE-M预训练语言模型，将输入的每个字符转化为每个字符对应的向量，为后续步骤提供特征向量输入。
具体的，将所述每个字符对应的向量输入前馈神经网络层，得到添加目标信息后的待分析评论文本的方式可以为：将获得的每个字符对应的向量输入到前馈神经网络层，该层有两个前馈神经网络，分别获得添加head信息的待分析评论文本和添加dependent信息的待分析评论文本。
可选的，将所述每个字符对应的向量输入前馈神经网络层，得到添加目标信息后的待分析评论文本，包括：
将所述待分析评论文本输入第一前馈神经网络层，得到添加核心信息后的待分析评论文本；
将所述待分析评论文本输入第二前馈神经网络层，得到添加依赖信息后的待分析评论文本。
具体的，将所述待分析评论文本输入第一前馈神经网络层，得到添加核心信息后的待分析评论文本的方式可以为：将待分析评论文本通过字词分词器进行分词，得到至少一个字符，将字符通过ERNIE-M预训练语言模型转换成每个字符对应的向量，将向量输入到第一前馈神经网络层，得到添加head信息的待分析评论文本。
具体的，将所述待分析评论文本输入第二前馈神经网络层，得到添加依赖信息后的待分析评论文本的方式可以为：将待分析评论文本通过字词分词器进行分词，得到至少一个字符，将字符通过ERNIE-M预训练语言模型转换成每个字符对应的向量，将向量输入到第二前馈神经网络层，得到添加dependent信息的待分析评论文本。
可选的，还包括：
根据所述情感四元组生成依赖解析图，并显示所述依赖解析图。
其中，依赖解析图为解释语句中字符依赖关系的解析图。
具体的，根据所述情感四元组生成依赖解析图，并显示所述依赖解析图的方式可以为：将待分析评论文本输入到第一模型，得到至少一组情感四元组，根据得到的至少一组情感四元组生成依赖解析图并显示。例如可以是，图2是本发明实施例一中的一种依赖解析图的示意图，如图2所示，在“Some others give the new movie 5stars”这个句子中，Someothers是holder，others作为该holder的head，指向其holder的其他部分，即Some，同时被四元组其他成分所指向(作为expression中stars的dependent)；the new movie是target，作为最后一个词的movie作为该target的head，指向其target的其他部分，即the和new，同时被情感四元组其他部分所指(作为expression中stars的dependent)；5stars是expression，作为最后一个词的stars作为该expression的head，指向expression的其他部分，即5。
通过根据情感四元组生成并显示依赖解析图，可以有效分析长句的依赖关系，具有高度可解释性，用户也可清晰理解模型对待分析评论文本情感分析的过程。
本实施例的技术方案，通过获取待分析评论文本；将所述待分析评论文本输入第一模型，得到情感极性信息集合；根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数，解决了无法对有复杂情感的文章进行情感分析，模型训练用时长，并且情感分析结果准确率较低的问题，能够分析具有复杂情感的文本信息，提高情感分析的准确度。
实施例二
图3是本发明实施例二中的一种情感分析装置的结构示意图。本实施例可适用于对文本进行情感分析的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供情感分析的功能的设备中，如图3所示，所述情感分析的装置具体包括：待分析评论文本获取模块210、情感极性信息集合得到模块220和情感分数确定模块230。
其中，待分析评论文本获取模块210，用于获取待分析评论文本；
情感极性信息集合得到模块220，用于将所述待分析评论文本输入第一模型，得到情感极性信息集合；
情感分数确定模块230，用于根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数。
可选的，所述情感分数确定模块具体用于：
若情感极性信息为第一类型，则情感极性信息对应的分数为第一数值；
若情感极性信息为第二类型，则情感极性信息对应的分数为第二数值；
若情感极性信息为第三类型，则情感极性信息对应的分数为第三数值；
根据各类情感极性信息对应的分数获取所述情感极性信息集合中的情感极性信息对应的分数之和；
将所述情感极性信息集合中的情感极性信息对应的分数之和确定为待分析评论文本对应的情感分数。
可选的，所述情感极性信息集合得到模块具体用于：
将所述待分析评论文本输入第一模型，得到至少一组情感四元组，其中，所述情感四元组包括：拥有者信息、评价目标信息、情感表达式信息以及情感极性信息；
根据所述至少一组情感四元组包括的情感极性信息生成情感极性信息集合。
可选的，所述情感极性信息集合得到模块具体用于：
将所述待分析评论文本输入前馈神经网络层，得到添加目标信息的待分析评论文本；
将所述添加目标信息的待分析评论文本输入评分层，得到所述待分析评论文本中任意两个字符对应的目标分数；
将所述任意两个字符对应的目标分数输入构造层，得到情感四元组。
可选的，所述情感极性信息集合得到模块具体用于：
将所述待分析评论文本输入分词层，得到至少一个字符；
将所述至少一个字符输入转换层，得到每个字符对应的向量；
将所述每个字符对应的向量输入前馈神经网络层，得到添加目标信息后的待分析评论文本。
可选的，所述情感极性信息集合得到模块具体用于：
将所述待分析评论文本输入第一前馈神经网络层，得到添加核心信息后的待分析评论文本；
将所述待分析评论文本输入第二前馈神经网络层，得到添加依赖信息后的待分析评论文本。
可选的，所述情感极性信息集合得到模块还用于：
根据所述情感四元组生成依赖解析图，并显示所述依赖解析图。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本实施例的技术方案，通过获取待分析评论文本；将所述待分析评论文本输入第一模型，得到情感极性信息集合；根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数，解决了无法对有复杂情感的文章进行情感分析，模型训练用时长，并且情感分析结果准确率较低的问题，能够分析具有复杂情感的文本信息，提高情感分析的准确度。
实施例三
图4是本发明实施例三中的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如情感分析方法。
在一些实施例中，情感分析方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的情感分析方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行情感分析方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种情感分析方法，其特征在于，包括：
获取待分析评论文本；
将所述待分析评论文本输入第一模型，得到情感极性信息集合；
根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数。
2.根据权利要求1所述的方法，其特征在于，根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数，包括：
若情感极性信息为第一类型，则情感极性信息对应的分数为第一数值；
若情感极性信息为第二类型，则情感极性信息对应的分数为第二数值；
若情感极性信息为第三类型，则情感极性信息对应的分数为第三数值；
根据各类情感极性信息对应的分数获取所述情感极性信息集合中的情感极性信息对应的分数之和；
将所述情感极性信息集合中的情感极性信息对应的分数之和确定为待分析评论文本对应的情感分数。
3.根据权利要求1所述的方法，其特征在于，将所述待分析评论文本输入第一模型，得到情感极性信息集合，包括：
将所述待分析评论文本输入第一模型，得到至少一组情感四元组，其中，所述情感四元组包括：拥有者信息、评价目标信息、情感表达式信息以及情感极性信息；
根据所述至少一组情感四元组包括的情感极性信息生成情感极性信息集合。
4.根据权利要求3所述的方法，其特征在于，将所述待分析评论文本输入第一模型，得到至少一组情感四元组，包括：
将所述待分析评论文本输入前馈神经网络层，得到添加目标信息的待分析评论文本；
将所述添加目标信息的待分析评论文本输入评分层，得到所述待分析评论文本中任意两个字符对应的目标分数；
将所述任意两个字符对应的目标分数输入构造层，得到情感四元组。
5.根据权利要求4所述的方法，其特征在于，将所述待分析评论文本输入前馈神经网络层，得到添加目标信息的待分析评论文本，包括：
将所述待分析评论文本输入分词层，得到至少一个字符；
将所述至少一个字符输入转换层，得到每个字符对应的向量；
将所述每个字符对应的向量输入前馈神经网络层，得到添加目标信息后的待分析评论文本。
6.根据权利要求5所述的方法，其特征在于，将所述每个字符对应的向量输入前馈神经网络层，得到添加目标信息后的待分析评论文本，包括：
将所述待分析评论文本输入第一前馈神经网络层，得到添加核心信息后的待分析评论文本；
将所述待分析评论文本输入第二前馈神经网络层，得到添加依赖信息后的待分析评论文本。
7.根据权利要求3所述的方法，其特征在于，还包括：
根据所述情感四元组生成依赖解析图，并显示所述依赖解析图。
8.一种情感分析装置，其特征在于，包括：
待分析评论文本获取模块，用于获取待分析评论文本；
情感极性信息集合得到模块，用于将所述待分析评论文本输入第一模型，得到情感极性信息集合；
情感分数确定模块，用于根据所述情感极性信息集合中的情感极性信息对应的分数确定待分析评论文本对应的情感分数。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的情感分析方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的情感分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211113973.7A CN115422930A (zh) | 2022-09-14 | 2022-09-14 | 一种情感分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211113973.7A CN115422930A (zh) | 2022-09-14 | 2022-09-14 | 一种情感分析方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115422930A true CN115422930A (zh) | 2022-12-02 |
Family
ID=84202367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211113973.7A Pending CN115422930A (zh) | 2022-09-14 | 2022-09-14 | 一种情感分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422930A (zh) |
-
2022
- 2022-09-14 CN CN202211113973.7A patent/CN115422930A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705187A (zh) | 预训练语言模型的生成方法、装置、电子设备和存储介质 | |
| CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
| CN114416943B (zh) | 对话模型的训练方法、装置、电子设备及存储介质 | |
| US20220358292A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
| CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
| EP4170542A2 (en) | Method for sample augmentation | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
| CN112541070A (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
| CN114021548A (zh) | 敏感信息检测方法、训练方法、装置、设备以及存储介质 | |
| CN113360001A (zh) | 输入文本的处理方法、装置、电子设备和存储介质 | |
| CN112926308A (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
| CN115358243A (zh) | 多轮对话识别模型的训练方法、装置、设备及存储介质 | |
| CN114239583B (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
| CN115577705A (zh) | 一种文本处理模型的生成方法、装置、设备及存储介质 | |
| CN112784599B (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
| CN114676699A (zh) | 实体情感分析方法、装置、计算机设备和存储介质 | |
| CN114647727A (zh) | 应用于实体信息识别的模型训练方法、装置和设备 | |
| CN113377904A (zh) | 行业动作识别方法、装置、电子设备及存储介质 | |
| CN115422930A (zh) | 一种情感分析方法、装置、设备及存储介质 | |
| CN113221566A (zh) | 实体关系抽取方法、装置、电子设备和存储介质 | |
| CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
| CN113342179A (zh) | 输入文本的处理方法、装置、电子设备和存储介质 | |
| CN112528682A (zh) | 语种检测方法、装置、电子设备和存储介质 | |
| CN113051926A (zh) | 文本抽取方法、设备和存储介质 |
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 |