[發明專利]基于多極情感分析的用戶行為預測系統及其方法

有效

• 申請號: 201810525929.4
• 申請日: 2018-05-29
• 公開（公告）號: CN108733838B
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 王玲;周鐵華;呼功亮;孫聰慧
• 申請（專利權）人: 東北電力大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/953;G06F40/289;G06F40/30
• 代理公司: 吉林市達利專利事務所 22102
• 代理人: 陳傳林

本發明提供一種基于多極情感分析的用戶行為預測系統及其方法，用戶行為預測方法包括：基于情感詞典與情感表達規則的多極情感分析與量化；通過用戶行為與情感傾向性對用戶進行分類；基于多極情感分析的用戶行為預測。該方法科學合理，適用性強，全面考慮情感詞典的適用性，提高了情感詞典后期擴展能力，依據情感表達特點，建立了情感表達規則，從而提高情感量化的準確性。用戶行為預測系統應用于分析用戶的情感與行為特征并總結規律，實現通過情感分析預測用戶的行為趨勢，其結構合理，準確性高，效果佳。

技術領域

本發明涉及人工智能分析中自然語言處理領域，更具體地說，涉及一種基于多極情感分析的用戶行為預測系統及其方法。

背景技術

情感分析作為用戶行為分析的重要組成部分，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。情感分析技術一方面可以通過對用戶評論的篩選與歸類，從中挖掘用戶對產品或服務的意見，并基于這些意見對用戶行為進行預測，從而制定科學合理的運營策略；另一方面，通過對大量文本進行情感分析，可以有效監控網絡輿情，預測網絡輿論走向，及時監測輿情危機并做出預警，從而維護網絡安全，構建和諧網絡環境。

目前，基于情感分析的預測方法主要分為兩類，一類是基于機器學習的回歸預測方法，另一類是基于情感詞典的統計學習預測方法。其中，基于機器學習的回歸預測方法需要建立分類器模型，并通過大量文本數據完成分類器模型的訓練，利用該分類器模型分析用戶的情感特征，最終將用戶的情感特征輸入回歸預測模型。而基于情感詞典的統計學習預測方法將情感詞作為判別情感傾向的依據，首先，需要匹配文本數據中的情感詞，賦予不同詞性的詞語以相應的情感影響強度值；其次，結合情感表達規則對語句情感進行量化計算；最后，將情感量化值輸入統計學習模型進行預測。

上述基于情感分析的預測方法的局限性在于：主要分析兩極化情感傾向(正面情緒與負面情緒)，分析結果具有模糊性；情感詞典后期擴展性差，無法匹配未收錄的情感詞，導致對語句情感分析的誤判；未考慮轉折性連詞對語句情感極性的轉移作用，影響情感量化結果準確性；統計學習預測模型只與前一時間點的情感特征關聯。因此，使用現有的基于情感分析的預測方法難以達到理想的效果。

發明內容

本發明的目的在于克服現有情感分析的預測方法中所存在的不足，提出一種結構合理，預測準確，效果佳的基于多極情感分析的用戶行為預測系統，并提供科學合理，適用性強的方法。

實現本發明的目的之一采用的技術方案是：一種基于多極情感分析的用戶行為預測系統，其特征是，它包括：用于采集網絡數據并進行分類管理，進而構建系統數據庫的數據采集及數據庫管理模塊；基于分詞詞典將每個課時的文本語段進行分詞處理，并將參與觀看情況、參與評論情況、參與問答情況、私信教師情況和私信其他用戶情況五項用戶行為表示為時間序列，從而合并運算構建用戶參與度時間序列的數據預處理模塊；基于多種詞性詞典對分詞處理后的語段進行詞語匹配與位置標注，而后對語句情感進行量化處理，實現語句的情感量化，最終通過加權計算處理分析用戶的階段性情感傾向與情感傾向性的多極情感分析模塊；通過分析網絡學習用戶的情感傾向性與用戶行為將用戶分為活躍的積極用戶、活躍的消極用戶、游覽學習的用戶和抽樣學習的用戶四類的用戶分類模塊；用于實時預測用戶行為的用戶行為實時預測模塊；用于展示用戶ID、課程信息、課程教師、實時畢業概率、用戶類別、情感傾向性、課程完成情況、考試成績和畢業情況的狀態評估可視化模塊；所述的數據采集及數據庫管理模塊與數據預處理模塊信號連接，所述的數據預處理模塊分別與數據采集及數據庫管理模塊、用戶分類模塊、多極情感分析模塊信號連接，所述的用戶分類模塊分別與數據預處理模塊、狀態評估可視化模塊、多極情感分析模塊信號連接，所述的多極情感分析模塊分別與數據預處理模塊、用戶分類模塊、用戶行為實時預測模塊信號連接，所述的用戶行為實時預測模塊分別與多極情感分析模塊、狀態評估可視化模塊信號連接。