[發明專利]一種方面級用戶產品評論情感分析方法及系統

有效

• 申請號: 202010065377.0
• 申請日: 2020-01-20
• 公開（公告）號: CN111274398B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 陳羽中;莊天豪;劉漳輝
• 申請（專利權）人: 福州大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/284;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 丘鴻超;蔡學俊

1.一種方面級用戶產品評論情感分析方法，其特征在于，包括以下步驟：

步驟A：提取用戶的產品評論、評論涉及的產品方面詞、產品方面詞的位置信息，并對產品方面的情感極性進行標注，構建訓練集SA；

步驟B：使用訓練集SA，訓練用于方面級用戶產品評論情感分析的融合記憶網絡與雙向長短期記憶網絡的深度學習網絡模型M；

步驟C：輸入用戶對產品的評論，提取評論涉及的產品方面詞，將產品評論、產品方面詞輸入到訓練好的深度學習網絡模型M中，輸出對產品方面的情感評價極性；

所述步驟B具體包括以下步驟：

步驟B1：對訓練集SA中的每條用戶產品評論、評論中的產品方面詞、產品方面詞的位置、產品方面的情感極性進行編碼，得到方面級用戶產品評論的初始表征向量和產品方面向量

步驟B2：將步驟B1得到的初始表征向量輸入到雙向長短期記憶網絡中，得到方面級用戶產品評論的帶位置信息的記憶向量H；

步驟B3：將步驟B2得到的記憶向量H和步驟B1得到的產品方面向量輸入到記憶網絡中，使用多頭注意力機制進行情感極性學習，得到方面級用戶產品評論的表征向量e^k，其中k是記憶網絡中計算層的層數；

步驟B4：連接步驟B2得到的記憶向量H與步驟B3得到的表征向量e^k，輸入到張量層進行特征融合，得到方面級用戶產品評論的記憶融合表征向量e^(s)；

步驟B5：將步驟B4得到的記憶融合表征向量e^(s)輸入到softmax層，根據目標損失函數loss，利用反向傳播方法計算深度學習網絡中各參數的梯度，并利用隨機梯度下降方法更新參數；

步驟B6：當深度學習網絡模型M產生的損失值小于設定閾值且不再降低或者迭代次數達到最大迭代次數，則終止深度學習網絡模型的訓練。

2.根據權利要求1所述的一種方面級用戶產品評論情感分析方法，其特征在于，所述步驟B1具體包括以下步驟：

步驟B11：遍歷訓練集SA，SA中的每個訓練樣本表示為sa＝(s,a,c)，其中s表示產品評論，a表示評論s涉及的產品方面，c為該產品方面的評論對應的情感極性，情感極性分為三種：積極、消極、中性；對訓練樣本sa中的評論s和產品方面a進行分詞處理，去除停用詞；

其中，評論s經過分詞及去除停用詞后，表示為：

其中，為評論s經過分詞及去除停用詞后剩余詞語中的第i個詞，i＝1,2,.....,N，N為評論s經過分詞及去除停用詞后剩余的詞語數量；

步驟B12：對經過分詞及去除停用詞后的產品評論s進行編碼，得到評論s的初始表征向量表示為：

其中，為第i個詞所對應的詞向量，通過在預訓練的詞向量矩陣E∈R^d×|D|中查找得到，其中d表示詞向量的維度，|D|是詞典D中的詞語數；為評論s中第i個詞所對應的位置信息的編碼，其編碼方式如下：

其中，j_s^(a)為經過分詞及去除停用詞后的產品方面a中的第一個詞在評論s中的位置，而j_e^(a)為經過分詞及去除停用詞后的產品方面a中的最后一個詞在評論s中的位置；

是評論s的初始表征向量中第t個單詞及其位置信息p_t的聯合表示，“；”表示向量連接操作，t＝1,2,.....,N，評論s的初始表征向量

步驟B13：對經過分詞及去除停用詞后的產品方面a進行編碼，得到產品方面a的表征向量，即產品方面向量

其中，a表示為：

其中，產品方面a是一個短語，由1個或多個連續的詞構成，為產品方面a中的第i個詞，i＝1,2,..,m，m為產品方面a經過分詞及去除停用詞后剩余的詞語數量；

用表示第i個詞所對應的詞向量，通過在預訓練的詞向量矩陣E∈R^d×|D|中查找得到；

則產品方面a的表征向量表示為：

其中，由對i＝1,2,.....,m進行平均池化得到。