[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

本發明提出一種句子的情感極性分析方法、裝置和計算機可讀存儲介質。其中，句子的情感極性分析方法包括：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。本發明實施例中，通過多模型深度融合的句子極性分析法進行深層次語義分析，極性判斷準確率高。

技術領域

本發明涉及信息技術領域，尤其涉及一種句子的情感極性分析方法、裝置及計算機可讀存儲介質。

背景技術

輿情分析是根據特定問題的需要，對針對這個問題的輿情進行深層次的思維加工和分析研究，得到相關結論的過程。在輿情分析中，通常比較關心一些新聞或者微博表達出的情感，通過情感判斷用戶對產品的情感傾向，而對較長文本的情感判斷是以句子情感極性判斷為基礎的。因而如何準確判斷句子的情感傾向是一個亟待解決的重要問題。

現有技術的情感極性分析方法通常是基于情感詞典簡單地匹配，對于中性的句子判斷錯誤率過大。另外，現有技術通常是基于情感詞典進行簡單的匹配和權重的累加，再加上一些簡單的機器學習模型，比如fasttext(快速文本分類器)模型，對于判斷深層次語義的句子情感判斷不準確，無法滿足任務需求。再者，現有技術對于較長的句子極性判斷準確率不足。

發明內容

本發明實施例提供一種句子的情感極性分析方法、裝置及計算機可讀存儲介質，以至少解決現有技術中的一個或多個技術問題。

第一方面，本發明實施例提供了一種句子的情感極性分析方法，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。

結合第一方面，本發明在第一方面的第一種實施方式中，在利用機器學習模型對句子的情感極性進行分析之前，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、詞向量和實體識別程序中至少一種；

使用所述情感詞典訓練所述機器學習模型。

結合第一方面的第一種實施方式，本發明在第一方面的第二種實施方式中，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。

結合第一方面的第一種實施方式或第一方面的第二種實施方式，本發明在第一方面的第三種實施方式中，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。

結合第一方面的第一種實施方式，本發明在第一方面的第四種實施方式中，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。

結合第一方面的第四種實施方式，本發明在第一方面的第五種實施方式中，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。

結合第一方面的第一種實施方式或第一方面的第二種實施方式，本發明在第一方面的第六種實施方式中，使用所述情感詞典訓練所述機器學習模型，還包括：