CN115879455A

CN115879455A - 词语情感极性预测方法及其装置、电子设备及存储介质

Info

Publication number: CN115879455A
Application number: CN202211709918.4A
Authority: CN
Inventors: 宋彦; 王伟; 田元贺; 郑毅
Original assignee: China Resources Digital Technology Co Ltd
Current assignee: China Resources Digital Technology Co Ltd
Priority date: 2022-12-29
Filing date: 2022-12-29
Publication date: 2023-03-31

Abstract

本申请实施例提供一种词语情感极性预测方法及其装置、电子设备及存储介质，属于人工智能技术领域，通过获取文本数据，文本数据包括多个词语，对文本数据进行编码，得到词语的词向量，计算词向量之间的关联数据，根据关联数据和词向量，得到词语的上下文信息向量，将上下文信息向量和词向量进行拼接，得到词语的混合向量，根据混合向量对词语进行位置信息预测，得到词语的位置信息，并根据混合向量对词语进行情感极性预测，得到词语的情感极性，根据位置信息从文本数据中抽取出方面词，并根据词语的情感极性确定方面词的情感极性，通过采用联合的方式同时进行方面词抽取和情感极性预测两个任务，提高了词语情感极性预测的效率，避免错误扩散现象。

Description

词语情感极性预测方法及其装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种词语情感极性预测方法及其装置、电子设备及存储介质。

背景技术

相关技术中，首先提取给定句子中的方面词，再预测方面词的情感极性，但是这种管道式方法不仅步骤复杂，且当方面词提取错误后，会导致情感极性预测错误，存在错误扩散现象。

发明内容

本申请实施例的主要目的在于提出一种词语情感极性预测方法及其装置、电子设备及存储介质，旨在提高词语情感极性预测的效率，避免错误扩散现象。

为实现上述目的，本申请实施例的第一方面提出了一种词语情感极性预测方法，所述方法包括：

获取文本数据，所述文本数据包括多个词语；

对所述文本数据进行编码，得到所述词语的词向量；

计算所述词向量之间的关联数据；所述关联数据用于表征两个词语之间的相关联程度；

根据所述关联数据和所述词向量，得到所述词语的上下文信息向量；

将所述上下文信息向量和所述词向量进行拼接，得到所述词语的混合向量；

根据所述混合向量对所述词语进行位置信息预测，得到所述词语的位置信息，并根据所述混合向量对所述词语进行情感极性预测，得到所述词语的情感极性；

根据所述位置信息从所述文本数据中抽取出方面词，并根据所述词语的情感极性确定所述方面词的情感极性。

在一些实施例，所述计算所述词向量之间的关联数据，包括：

提取所述词语之间的依存句法关系和相对位置关系；

根据所述依存句法关系确定所述词语之间的邻接关系；

根据所述邻接关系、所述词向量和所述相对位置关系计算所述关联数据。

在一些实施例，所述词语包括第一单词和第二单词，所述词向量包括所述第一单词的第一词向量和所述第二单词的第二词向量，所述相对位置关系包括第一位置关系和第二位置关系，所述根据所述邻接关系、所述词向量和所述相对位置关系计算所述关联数据，包括：

若所述第一单词在所述第二单词的左侧，则根据所述邻接关系、所述第一词向量、所述第二词向量和所述第一位置关系计算所述关联数据；

或者，

若所述第一单词在所述第二单词的右侧，则根据所述邻接关系、所述第一词向量、所述第二词向量和所述第二位置关系计算所述关联数据。

在一些实施例，所述根据所述邻接关系、所述第一词向量、所述第二词向量和所述第一位置关系计算所述关联数据，包括：

根据所述邻接关系、所述第一词向量、所述第二词向量和所述第一位置关系进行第一注意力评估，得到第一注意力数据；

根据所述邻接关系、所述第一词向量、所述第二词向量和所述第一位置关系进行第二注意力评估，得到第二注意力数据；

根据所述第一注意力数据和所述第二注意力数据得到所述关联数据。

在一些实施例，所述根据所述关联数据和所述词向量，得到所述词语的上下文信息向量，包括：

提取所述词语之间的依存句法关系；

对所述依存句法关系和所述词向量进行加权计算，得到第一向量；

对所述关联数据和所述第一向量进行加权计算，得到第二向量；

对所述第二向量进行激活处理，得到所述上下文信息向量。

在一些实施例，所述将所述上下文信息向量和所述词向量进行拼接，得到所述词语的混合向量，包括：

计算所述词语的第一重置向量，并根据所述第一重置向量计算第二重置向量；

根据所述第一重置向量对所述词向量进行重置，得到第三向量；

根据所述第二重置向量对所述上下文信息向量进行重置，得到第四向量；

将所述第三向量和所述第四向量进行拼接，得到所述混合向量。

在一些实施例，所述计算所述词语的第一重置向量，包括；

根据预设的第一重置矩阵对所述词向量进行加权计算，得到第五向量；

根据预设的第二重置矩阵对所述上下文信息向量进行加权计算，得到第六向量；

对所述第六向量进行激活处理，得到所述第一重置向量。

为实现上述目的，本申请实施例的第二方面提出了一种词语情感极性预测装置，所述装置包括：

获取模块，用于获取文本数据，所述文本数据包括多个词语；

编码模块，用于对所述文本数据进行编码，得到所述词语的词向量；

第一计算模块，用于计算所述词向量之间的关联数据；所述关联数据用于表征两个词语之间的相关联程度；

第二计算模块，用于根据所述关联数据和所述词向量，得到所述词语的上下文信息向量；

拼接模块，用于将所述上下文信息向量和所述词向量进行拼接，得到所述词语的混合向量；

第一预测模块，用于根据所述混合向量对所述词语进行位置信息预测，得到所述词语的位置信息，并根据所述混合向量对所述词语进行情感极性预测，得到所述词语的情感极性；

第二预测模块，用于根据所述位置信息从所述文本数据中抽取出方面词，并根据所述词语的情感极性确定所述方面词的情感极性。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出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程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

本申请提出的词语情感极性预测方法、词语情感极性预测装置、电子设备及计算机可读存储介质,其通过获取文本数据，文本数据包括多个词语，对文本数据进行编码，得到词语的词向量，计算词向量之间的关联数据，根据关联数据和词向量，得到词语的上下文信息向量，将上下文信息向量和词向量进行拼接，得到词语的混合向量，根据混合向量对词语进行位置信息预测，得到词语的位置信息，便于根据词语的位置信息从文本数据中确定方面词，并根据混合向量对词语进行情感极性预测，得到词语的情感极性，便于根据词语的情感极性确定方面词的情感极性。最后，根据位置信息从文本数据中抽取出方面词，并根据词语的情感极性确定方面词的情感极性，通过采用联合的方式同时进行方面词抽取和情感极性预测两个任务，与管道方式相比，不仅提高了效率，而且避免了错误扩散现象。

附图说明

图1是本申请实施例提供的词语情感极性预测方法的流程图；

图2是图1中的步骤S130的流程图；

图3是图2中的步骤S230的流程图；

图4是图3中的步骤S310的流程图；

图5是图1中的步骤S140的流程图；

图6是图1中的步骤S150的流程图；

图7是图6中的步骤S610的流程图；

图8是本申请实施例提供的词语情感极性预测装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

方面词抽取(Aspect Term Extraction,ATE)：是从评论或者其他文本中抽取出用户表达情感的方面词。如：“我爱这家店的芒果披萨，更喜欢番茄意面”，要抽取的方面词就是“芒果披萨”和“番茄意面”。

情感极性预测：是指对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。

基于此，本申请实施例提供了一种词语情感极性预测方法、词语情感极性预测装置、电子设备及计算机可读存储介质，旨在提高情感极性预测的效率，避免错误扩散现象。

本申请实施例提供的词语情感极性预测方法、词语情感极性预测装置、电子设备及计算机可读存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的词语情感极性预测方法。

本申请实施例提供的词语情感极性预测方法，涉及人工智能技术领域。本申请实施例提供的词语情感极性预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式***，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现词语情感极性预测方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请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。

图1是本申请实施例提供的词语情感极性预测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S110至步骤S170。

步骤S110，获取文本数据，文本数据包括多个词语；

步骤S120，对文本数据进行编码，得到词语的词向量；

步骤S130，计算词向量之间的关联数据；关联数据用于表征两个词语之间的相关联程度；

步骤S140，根据关联数据和词向量，得到词语的上下文信息向量；

步骤S150，将上下文信息向量和词向量进行拼接，得到词语的混合向量；

步骤S160，根据混合向量对词语进行位置信息预测，得到词语的位置信息，并根据混合向量对词语进行情感极性预测，得到词语的情感极性；

步骤S170，根据位置信息从文本数据中抽取出方面词，并根据词语的情感极性确定方面词的情感极性。

本申请实施例所示意的步骤S110至步骤S170，通过获取文本数据，文本数据包括多个词语，对文本数据进行编码，得到词语的词向量，计算词向量之间的关联数据，根据关联数据和词向量，得到词语的上下文信息向量，将上下文信息向量和词向量进行拼接，得到词语的混合向量，根据混合向量对词语进行位置信息预测，得到词语的位置信息，便于根据词语的位置信息从文本数据中确定方面词，并根据混合向量对词语进行情感极性预测，得到词语的情感极性，便于根据词语的情感极性确定方面词的情感极性。最后，根据位置信息从文本数据中抽取出方面词，并根据词语的情感极性确定方面词的情感极性，通过采用联合的方式同时进行方面词抽取和情感极性预测两个任务，与管道方式相比，不仅提高了效率，而且避免了错误扩散现象。

在一些实施例的步骤S110中，从数据集中获取文本数据，该文本数据为带有情感色彩的主观性文本，例如评论等，文本数据包括多个词语。

在一些实施例的步骤S120中,利用BERT模型对文本数据进行编码，以对文本数据进行特征提取，得到文本数据中每一词语的词向量。若文本数据为句子x，句子x是由多个词语构成的集合，表示为x＝{x₁x₂...x_n},n为句子x中词语的数量。将句子x输入至BERT模型，采用BERT标准的编码方式对句子中的每个词语进行编码，得到每个词语对应的词向量。词向量的计算方法如公式(1)所示。

其中，

为第i个词语x_i的词向量。

请参阅图2，在一些实施例中，步骤S130可以包括但不限于包括步骤S210至步骤S230：

步骤S210，提取词语之间的依存句法关系和相对位置关系；

步骤S220，根据依存句法关系确定词语之间的邻接关系；

步骤S230，根据邻接关系、词向量和相对位置关系计算关联数据。

在一些实施例的步骤S210中，将词向量输入至基于注意力关系的图卷积网络(Attention Relation Graph Convolution Network，A-RGCN)，并将上一A-RGCN网络的输出作为一下A-RGCN网络的输入，直至到达最后一个A-RGCN，图卷积网络包括注意力计算层、加权平均层和门机制层，通过注意力计算层进行关联数据的计算。具体地，根据依存句法树生成工具生成依存句法树，从依存句法树中提取词语之间的依存句法关系，依存句法关系用于说明两个词语之间的句法关系，包括名词性主语、名词性修饰语、谓词性修饰语、并列名词、并列动词、直接宾语等。相对位置关系表示为

用于说明两个词语之间的相对位置关系，是对词语位置信息建模的矩阵，包括两种选择，即第一位置关系/>

和第二位置关系

第一位置关系/>

对应于词语j在词语i的左侧，第二位置关系/>

对应于词语j在词语i的右侧，l为第l个A-RGCN网络，1≤l≤L，L为A-RGCN网络的数量。

需要说明的是，可以通过样本方面词数据对图卷积网络进行训练，方面词数据包括多个词语、词语的位置标签以及词语的情感极性，位置标签包括起始位置、中间位置和结束位置，用于表示词语在方面词中的位置，情感极性包括积极、消极和中性，用于表示词语所。例如，方面词“蘑菇海鲜汤”，蘑菇位于方面词的起始位置，其位置标签为起始位置，情感极性为积极。

在一些实施例的步骤S220中，若两个词语之间存在依存句法关系，则这两个词语之间的邻接关系为1，若两个词语之间不存在依存句法关系，则这两个词语之间的邻接关系为0。根据每两个词语之间的邻接关系构建邻接关系矩阵，即邻接关系矩阵第i行第j列的值表示第i个词语与第j个词语的邻接关系。

在一些实施例的步骤S230中，根据两个词语之间的邻接关系、两个词语对应的词向量和两个词语之间的相对位置关系计算关联数据，关联数据用于表征两个词语之间的相关联程度，即两个词语之间边的权重。

通过上述步骤S210至步骤S230，能够利用额外的知识即依存句法关系，获取文本数据中任意两个词语之间的关联数据，以便根据关联数据识别不同单词的重要程度。

请参阅图3，在一些实施例中，词语包括第一单词和第二单词，词向量包括第一单词的第一词向量和第二单词的第二词向量，相对位置关系包括第一位置关系和第二位置关系，步骤S230可以包括但不限于包括步骤S310或者步骤S320：

步骤S310，若第一单词在第二单词的左侧，则根据邻接关系、第一词向量、第二词向量和第一位置关系计算关联数据；

步骤S320，若第一单词在第二单词的右侧，则根据邻接关系、第一词向量、第二词向量和第二位置关系计算关联数据。

在一些实施例的步骤S310中，若第一单词j在第二单词i的左侧，即j＜i，则根据邻接关系、第一词向量、第二词向量和第一位置关系进行第一注意力评估，得到第一注意力数据，根据邻接关系、第一词向量、第二词向量和第一位置关系进行第二注意力评估，得到第二注意力数据，根据第一注意力数据和第二注意力数据得到关联数据。

在一些实施例的步骤S320中，若第一单词j在第二单词i的右侧，即j＞i，则根据邻接关系、第一词向量、第二词向量和第二位置关系进行第一注意力评估，得到第一注意力数据，根据邻接关系、第一词向量、第二词向量和第二位置关系进行第二注意力评估，得到第二注意力数据，根据第一注意力数据和第二注意力数据得到关联数据。

通过上述步骤S310至步骤S320，能够得到词语之间的关联数据，以便根据关联数据得到词语之间的强弱关联程度，从而得到词语的重要程度。

请参阅图4，在一些实施例中，步骤S310可以包括但不限于包括步骤S410至步骤S430：

步骤S410，根据邻接关系、第一词向量、第二词向量和第一位置关系进行第一注意力评估，得到第一注意力数据；

步骤S420，根据邻接关系、第一词向量、第二词向量和第一位置关系进行第二注意力评估，得到第二注意力数据；

步骤S430，根据第一注意力数据和第二注意力数据得到关联数据。

在一些实施例的步骤S410中，将第二词向量、第一位置关系和第二词向量进行矩阵相乘，得到第一参数向量，对第一参数向量进行指数运算，得到第二参数向量，将邻接关系与第二参数向量相乘，得到第一注意力数据。

在一些实施例的步骤S420中,对于所有在第二单词左侧的第一单词，将第二单词的第二词向量

、第一位置关系/>

和第一单词的第一词向量/>

进行矩阵相乘，得到第一参数向量，对第一参数向量进行指数运算，得到第二参数向量，将邻接关系与第二参数向量相乘，得到第一注意力数据，将每个第一单词的第一注意力数据进行相加，得到第一中间注意力数据。对于所有在第二单词右侧的第一单词，将第二单词的第二词向量

第二位置关系/>

和第一单词的第一词向量/>

进行矩阵相乘，得到第三参数向量，对第三参数向量进行指数运算，得到第四参数向量，将邻接关系与第四参数向量相乘，得到第二中间注意力数据，将每个第一单词的第二中间注意力数据进行相加，得到第三中间注意力数据，将第一中间注意力数据和第三中间注意力数据进行相加，得到第二注意力数据。

在一些实施例的步骤S430中,将第一注意力数据与第二注意力数据的比值作为关联数据。关联数据的计算方法如公式(2)所示。

其中，

为第l个A-RGCN网络中第二单词i与第一单词j的相关联程度，a_i.j为第二单词i与第一单词j之间的邻接关系，即邻接矩阵中第i行第j列的值，n为句子中第二单词的数量，即句子中词语的数量减去1。

通过上述步骤S410至S430，对不同相对位置的词语加权，实现了对不同词语重要性的识别和利用，有效避免了句法知识中的噪音对方面词抽取以及情感极性预测的影响。

请参阅图5，在一些实施例中，步骤S140可以包括但不限于包括步骤S510至步骤S540：

步骤S510，提取词语之间的依存句法关系；

步骤S520，对依存句法关系和词向量进行加权计算，得到第一向量；

步骤S530，对关联数据和第一向量进行加权计算，得到第二向量；

步骤S540，对第二向量进行激活处理，得到上下文信息向量。

在一些实施例的步骤S510中，通过A-RGCN网络的加权平均层计算上下文信息向量。具体地，提取词语之间的依存句法关系

是对词语x_i和x_j之间的依存句法关系建模的矩阵，每一类型的依存句法关系对应一个依存句法关系矩阵。例如，词语x_i和x_j之间的依存句法关系为名词性主语nsubj，则依存句法关系矩阵/>

为/>

在一些实施例的步骤S520中,对依存句法关系

和第二单词的第二词向量

相乘，得到初始向量，将初始向量和预设的偏移向量b^(l)相加，得到第一向量。

在一些实施例的步骤S530中,将关联数据和第一向量相乘，得到第二向量。

在一些实施例的步骤S540中,将每个第二单词的第二向量相加，并通过Relu函数对相加后的第二向量进行激活处理，得到上下文信息向量。上下文信息向量的计算方法如公式(3)所示。

其中，

为第一单词的上下文信息向量。

上述步骤S510至S540，对不同类型的依存句法关系采用不同的矩阵进行建模，能够区分具有不同类型依存句法关系的词语，使不同词语具有不同的上下文语义信息，便于区分不同上下文语义信息对方面词抽取以及情感极性预测任务的贡献。

请参阅图6，在一些实施例中，步骤S150可以包括但不限于包括步骤S610至步骤S640：

步骤S610，计算词语的第一重置向量，并根据第一重置向量计算第二重置向量；

步骤S620，根据第一重置向量对词向量进行重置，得到第三向量；

步骤S630，根据第二重置向量对上下文信息向量进行重置，得到第四向量；

步骤S640，将第三向量和第四向量进行拼接，得到混合向量。

在一些实施例的步骤S610中，通过A-RGCN网络的门机制层提取词语的混合向量。具体地，根据预设的第一重置矩阵对词向量进行加权计算，得到第五向量，根据预设的第二重置矩阵对上下文信息向量进行加权计算，得到第六向量，对第六向量进行激活处理，得到第一重置向量。利用一个所有维度值全为1的向量I减去第一重置向量，得到第二重置向量。

在一些实施例的步骤S620中,将第一重置向量和第一词向量进行哈达玛积意义上的相乘，得到第三向量。

在一些实施例的步骤S630中,将第二重置向量和上下文信息向量进行哈达玛积意义上的相乘，以对上下文信息向量进行重置，得到第四向量。

在一些实施例的步骤S640中,将第三向量和第四向量进行向量串联，得到混合向量。混合向量的计算方法如公式(4)所示。

其中，

为第一重置向量，/>

为第二重置向量，°表示哈达玛积，⊕表示向量串联。

通过上述步骤S610至S640，能够提取出包含词语上下文表征的混合向量，以便根据该混合向量进行方面词抽取和情感极性预测任务。

请参阅图7，在一些实施例中，步骤S610可以包括但不限于包括步骤S710至步骤S730：

步骤S710，根据预设的第一重置矩阵对词向量进行加权计算，得到第五向量；

步骤S720，根据预设的第二重置矩阵对上下文信息向量进行加权计算，得到第六向量；

步骤S730，对第六向量进行激活处理，得到第一重置向量。

在一些实施例的步骤S710,将第一重置矩阵

与第一词向量/>

相乘，得到第五向量。

在一些实施例的步骤S720，将第二重置矩阵

与上下文信息向量/>

相乘，得到第六向量。

在一些实施例的步骤S730,将第五向量、第六向量和重置偏移向量相加，得到第七向量，通过sigmoid函数对第七向量进行激活处理，得到第一重置向量。第一重置向量的计算方法如公式(5)所示。

其中，

为重置偏移向量。

通过上述步骤S710至S730，能够得到第一重置向量，以便根据第一重置向量调整第一词向量在混合向量的占比，根据第二重置向量调整第二词向量在混合向量的占比，以增强混合向量对于词语特征的表达。

在一些实施例的步骤S160,将混合向量输入至全连接层进行特征映射得到特征向量，通过softmax函数对特征向量对应的词语进行位置信息预测，得到词语的位置信息，通过softmax函数对特征向量对应的词语进行情感极性预测，得到词语的情感极性。

在一些实施例的步骤S170，根据词语的位置信息例如起始位置、中间位置或者终止位置对文本数据进行文本定位，得到方面词，将全部词语的情感极性作为方面词的情感极性。

请参阅图8，本申请实施例还提供一种词语情感极性预测装置，可以实现上述词语情感极性预测方法，该装置包括：

获取模块810，用于获取文本数据，所述文本数据包括多个词语；

编码模块820，用于对所述文本数据进行编码，得到所述词语的词向量；

第一计算模块830，用于计算所述词向量之间的关联数据；所述关联数据用于表征两个词语之间的相关联程度；

第二计算模块840，用于根据所述关联数据和所述词向量，得到所述词语的上下文信息向量；

拼接模块850，用于将所述上下文信息向量和所述词向量进行拼接，得到所述词语的混合向量；

第一预测模块860，用于根据所述混合向量对所述词语进行位置信息预测，得到所述词语的位置信息，并根据所述混合向量对所述词语进行情感极性预测，得到所述词语的情感极性；

第二预测模块870，用于根据所述位置信息从所述文本数据中抽取出方面词，并根据所述词语的情感极性确定所述方面词的情感极性。

该词语情感极性预测装置的具体实施方式与上述词语情感极性预测方法的具体实施例基本相同，在此不再赘述。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器910，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器920，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器920可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器920中，并由处理器910来调用执行本申请实施例的词语情感极性预测方法；

输入/输出接口930，用于实现信息输入及输出；

通信接口940，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线950，在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息；

其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述词语情感极性预测方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的词语情感极性预测方法、词语情感极性预测装置、电子设备及计算机可读存储介质，其通过获取文本数据，文本数据包括多个词语，对文本数据进行编码，得到词语的词向量，计算词向量之间的关联数据，根据关联数据和词向量，得到词语的上下文信息向量，将上下文信息向量和词向量进行拼接，得到词语的混合向量，根据混合向量对词语进行位置信息预测，得到词语的位置信息，便于根据词语的位置信息从文本数据中确定方面词，并根据混合向量对词语进行情感极性预测，得到词语的情感极性，便于根据词语的情感极性确定方面词的情感极性。最后，根据位置信息从文本数据中抽取出方面词，并根据词语的情感极性确定方面词的情感极性，通过采用联合的方式同时进行方面词抽取和情感极性预测两个任务，与管道方式相比，不仅提高了效率，而且避免了错误扩散现象。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请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。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims

1.词语情感极性预测方法，其特征在于，所述方法包括：

获取文本数据，所述文本数据包括多个词语；

对所述文本数据进行编码，得到所述词语的词向量；

2.根据权利要求1所述的词语情感极性预测方法，其特征在于，所述计算所述词向量之间的关联数据，包括：

提取所述词语之间的依存句法关系和相对位置关系；

根据所述依存句法关系确定所述词语之间的邻接关系；

3.根据权利要求2所述的词语情感极性预测方法，其特征在于，所述词语包括第一单词和第二单词，所述词向量包括所述第一单词的第一词向量和所述第二单词的第二词向量，所述相对位置关系包括第一位置关系和第二位置关系，所述根据所述邻接关系、所述词向量和所述相对位置关系计算所述关联数据，包括：

或者，

4.根据权利要求3所述的词语情感极性预测方法，其特征在于，所述根据所述邻接关系、所述第一词向量、所述第二词向量和所述第一位置关系计算所述关联数据，包括：

5.根据权利要求1所述的词语情感极性预测方法，其特征在于，所述根据所述关联数据和所述词向量，得到所述词语的上下文信息向量，包括：

提取所述词语之间的依存句法关系；

对所述第二向量进行激活处理，得到所述上下文信息向量。

6.根据权利要求1至5任一项所述的词语情感极性预测方法，其特征在于，所述将所述上下文信息向量和所述词向量进行拼接，得到所述词语的混合向量，包括：

7.根据权利要求6所述的词语情感极性预测方法，其特征在于，所述计算所述词语的第一重置向量，包括；

对所述第六向量进行激活处理，得到所述第一重置向量。

8.词语情感极性预测装置，其特征在于，所述装置包括：

9.电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的词语情感极性预测方法。

10.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至7中任一项所述的词语情感极性预测方法。