[發(fā)明專利]文本情感分析方法、系統(tǒng)及計算機可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810035601.4
• 申請日: 2018-01-15
• 公開（公告）號: CN108170681A
• 公開（公告）日: 2018-06-15
• 發(fā)明（設計）人: 王斌;唐玲艷;劉家廣;嚴毅康;王淼;盛津芳
• 申請（專利權(quán)）人: 中南大學
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06N3/04
• 代理公司: 長沙朕揚知識產(chǎn)權(quán)代理事務所(普通合伙) 43213
• 代理人: 何湘玲

本發(fā)明涉及人工智能技術領域，公開了一種文本情感分析方法、系統(tǒng)及計算機可讀存儲介質(zhì)，以提高文本情感分析的準確度。本發(fā)明方法包括：將任一句子對應的詞向量輸入至預設的LSTM網(wǎng)絡模型，得到各詞的隱藏層向量；對所獲取的文本單詞集進行詞性標注，對攜帶詞性標注信息的文本單詞集訓練，并對訓練生成的詞性向量矩陣以詞為單位進行拆分，得到各詞所對應的詞性向量；以句子為單位，根據(jù)句子內(nèi)各詞所對應的隱藏層向量和詞性向量進行詞嵌入加權(quán)求和注意力分析，得到各句子攜帶注意力信息的句子向量，并以該攜帶注意力信息的句子向量作為情感分類模型的輸入，進而得到各句子的情感分類結(jié)果和/或所述原始文本的分類結(jié)果。

技術領域

本發(fā)明涉及人工智能技術領域，尤其涉及一種文本情感分析方法、系統(tǒng)及計算機可讀存儲介質(zhì)。

背景技術

隨著微博和Twitter等社交媒體的興起，人們不僅從網(wǎng)絡上獲取信息，同時也通過社交媒體充分的發(fā)表自己的觀點和分享自己的體驗。例如：評論熱點事件、描述對影片的看法、描述對一首歌的看法、描述產(chǎn)品體驗等，從而產(chǎn)生了大量的帶主觀情感信息的文本，通過對文本進行情感分析，可以進行輿情監(jiān)測，為政府全面掌握大眾的思想動態(tài)，做出正確的輿論引導提供依據(jù)。還可以挖掘用戶對產(chǎn)品的喜好程度，幫助商家了解產(chǎn)品優(yōu)勢和潛在問題，以便為用戶提供更好的產(chǎn)品體驗。同時還可以幫助用戶從海量評論數(shù)據(jù)中提煉出核心觀點，從而對產(chǎn)品的真實情況一目了然。因此可以提高用戶體驗。情感分析對于情感表達的應用也有幫助，例如機器人通過跟人聊天，然后AI可以用情感分析器對實體進行高效率的自動化標注，實現(xiàn)其專屬的個人情感詞典。了解用戶的喜好甚至喜好程度，并利用這些信息進行建模，通過模型訓練后能夠?qū)崿F(xiàn)個性化，而不是像Siri這種號稱個人助手，實際上卻很不個性化。并且對情感表達來說，可以實現(xiàn)人機對話系統(tǒng)對情感的誘導。并且在聊天過程中，機器人在判斷出情感之后就可以用不同的回復來改變情感傾向，比如對話系統(tǒng)能判斷接下來的哪一句答復能讓用戶產(chǎn)生一個情感傾向，如高興、驚訝或傷心等。能夠讓人產(chǎn)生不一樣的感受就是在進一步實現(xiàn)更人性化的交互。以上廣泛的應用促進了文本情感技術的發(fā)展。

目前主要的情感分析方法有兩類：第一種是基于情感詞典的方法，基于詞典的方法主要通過構(gòu)建情感詞典和規(guī)則，對文本進行預處理、分詞、句法分析，最后計算情感值，最后通過情感值來作為文本的情感傾向依據(jù)。中文的情感詞典主要有中國知網(wǎng)發(fā)布的HowNet和臺灣大學NTUSD兩個情感詞典。第二種是基于統(tǒng)計的機器學習方法，主要利用人工標注的訓練語料，提取文本特征，最后構(gòu)建分類器。常用的文本情感分析方法有樸素貝葉斯、支持向量機、最大熵方法等，這些方法都可以被劃分為淺層學習方法。上述方法雖然具備擴展性強的優(yōu)點，但是人工成本大，且忽略了上下文語義的信息。

情感分析(SA)又稱為傾向性分析和意見挖掘，它是對帶有情感色彩的主觀性文本進行分析、處理、歸納和推理的過程。情感分析技術大致可以分為基于詞典的方法和基于統(tǒng)計的方法，其中基于統(tǒng)計的機器學習方法是目前的主流方法。

面對大規(guī)模以及風格各異的評論，情感分析的準確度就成為了情感分析技術的瓶頸。采用深度學習的技術是提高準確率的方法之一。目前情感分析的思想主要有：

(1)、采用支持向量機和TF-IDF計算特征項權(quán)值來進行情感分析；

(2)、將分詞后的文本利用word2vec訓練轉(zhuǎn)換成詞向量以后，利用支持向量機進行情感分析；

(3)將分詞后的文本利用word2vec訓練轉(zhuǎn)換成詞向量以后，采用注意力機制和長短期記憶網(wǎng)絡的情感分析方法進行情感分析；

(4)基于卷積神經(jīng)網(wǎng)絡和注意力模型的情感分析方法。

LSTM(Long Short Term Memory Neural Networks，長短時記憶神經(jīng)網(wǎng)絡)是屬于循環(huán)神經(jīng)網(wǎng)絡，首先它減少機器學習過程中的人工成本，并且解決了卷積神經(jīng)網(wǎng)絡的長期依賴問題，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡模型均未考慮輸入和輸出的相關性和句子的結(jié)構(gòu)信息，并且在訓練時很容易發(fā)生過擬合，而結(jié)合現(xiàn)有的情感分析研究現(xiàn)狀，情感分析有以下特點：