[發明專利]句子的情感極性分析方法、裝置及存儲介質

有效

• 申請號: 201810707323.2
• 申請日: 2018-07-02
• 公開（公告）號: CN110738220B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 崔路男;尹存祥;吳偉佳;韋庭;潘旭;雍倩;李云聰
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/35;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 北京市鑄成律師事務所 11313
• 代理人: 陳建煥;楊瑾瑾

1.一種句子的情感極性分析方法，其特征在于，包括：

利用機器學習模型對句子的情感極性進行分析，得到表示所述句子的情感極性的結果向量，所述機器學習模型包括決策樹模型、分類器模型、卷積神經網絡模型和循環神經網絡模型中至少兩種；

利用邏輯回歸模型擬合所述結果向量，得到所述句子的情感極性；

在利用機器學習模型對句子的情感極性進行分析之前，所述方法還包括：

利用詞語分析模型對情感詞進行擴容以建立情感詞典，所述詞語分析模型包括點間互信息；

使用所述情感詞典訓練所述機器學習模型；

其中，利用詞語分析模型對情感詞進行擴容，包括：基于給定詞語與褒義基準詞組的點間互信息和所述給定詞語與貶義基準詞組的點間互信息之間的差值，利用所述差值計算所述給定詞語的情感傾向，基于所述情感傾向對所述情感詞進行擴容。

2.根據權利要求1所述的方法，其特征在于，所述詞語分析模型還包括詞向量和實體識別程序中至少一種。

3.根據權利要求2所述的方法，其特征在于，所述決策樹模型包括梯度提升決策樹模型，使用所述情感詞典訓練所述機器學習模型，包括：

針對句子的詞性特征和/或詞性交叉特征構建所述梯度提升決策樹模型，并使用所述情感詞典訓練所述梯度提升決策樹模型。

4.根據權利要求2或3所述的方法，其特征在于，所述分類器模型包括快速文本分類器模型，使用所述情感詞典訓練所述機器學習模型，還包括：

針對句子的N-Gram特征構建所述快速文本分類器模型，并使用所述情感詞典訓練所述快速文本分類器模型。

5.根據權利要求2所述的方法，其特征在于，使用所述情感詞典訓練所述機器學習模型，還包括：

針對句子的語義特征構建所述卷積神經網絡模型，并使用所述情感詞典訓練所述卷積神經網絡模型。

6.根據權利要求5所述的方法，其特征在于，使用所述情感詞典訓練所述卷積神經網絡模型，包括：將用詞向量模型訓練的詞向量作為輸入，增加預訓練詞向量通道。

7.根據權利要求2或3所述的方法，其特征在于，使用所述情感詞典訓練所述機器學習模型，還包括：

在所述循環神經網絡模型中采用注意力機制，針對句子的語義特征，對長句子構建所述循環神經網絡模型，并使用所述情感詞典訓練所述循環神經網絡模型。

8.一種句子的情感極性分析裝置，其特征在于，包括：

極性分析單元，用于利用機器學習模型對句子的情感極性進行分析，得到表示所述句子的情感極性的結果向量，所述機器學習模型包括決策樹模型、分類器模型、卷積神經網絡模型和循環神經網絡模型中至少兩種；

結果擬合單元，用于利用邏輯回歸模型擬合所述結果向量，得到所述句子的情感極性；

情感詞擴容單元，用于：利用詞語分析模型對情感詞進行擴容以建立情感詞典，所述詞語分析模型包括點間互信息、詞向量和實體識別程序中至少一種；

模型訓練單元，用于：使用所述情感詞典訓練所述機器學習模型；

其中，利用詞語分析模型對情感詞進行擴容，包括：基于給定詞語與褒義基準詞組的點間互信息和所述給定詞語與貶義基準詞組的點間互信息之間的差值，利用所述差值計算所述給定詞語的情感傾向，基于所述情感傾向對所述情感詞進行擴容。

9.根據權利要求8所述的裝置，其特征在于，所述詞語分析模型還包括詞向量和實體識別程序中至少一種。

10.根據權利要求9所述的裝置，其特征在于，所述決策樹模型包括梯度提升決策樹模型，所述模型訓練單元包括第一子單元，所述第一子單元用于：

針對句子的詞性特征和/或詞性交叉特征構建所述梯度提升決策樹模型，并使用所述情感詞典訓練所述梯度提升決策樹模型。