[發(fā)明專利]一種方面級(jí)用戶產(chǎn)品評(píng)論情感分析方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010065377.0
• 申請(qǐng)日: 2020-01-20
• 公開（公告）號(hào): CN111274398B
• 公開（公告）日: 2022-06-14
• 發(fā)明（設(shè)計(jì)）人: 陳羽中;莊天豪;劉漳輝
• 申請(qǐng)（專利權(quán)）人: 福州大學(xué)
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06F40/284;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元?jiǎng)?chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 丘鴻超;蔡學(xué)俊

本發(fā)明涉及一種方面級(jí)用戶產(chǎn)品評(píng)論情感分析方法及系統(tǒng)，該方法包括以下步驟：步驟A：提取用戶的產(chǎn)品評(píng)論、評(píng)論涉及的產(chǎn)品方面詞、產(chǎn)品方面詞的位置信息，并對(duì)產(chǎn)品方面的情感極性進(jìn)行標(biāo)注，構(gòu)建訓(xùn)練集SA；步驟B：使用訓(xùn)練集SA，訓(xùn)練用于方面級(jí)用戶產(chǎn)品評(píng)論情感分析的融合MemNet與雙向LSTM的深度學(xué)習(xí)網(wǎng)絡(luò)模型M；步驟C：輸入用戶對(duì)產(chǎn)品的評(píng)論，提取評(píng)論涉及的產(chǎn)品方面詞，將產(chǎn)品評(píng)論、產(chǎn)品方面詞輸入到訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)模型M中，輸出對(duì)產(chǎn)品方面的情感評(píng)價(jià)極性。該方法及系統(tǒng)有利于提高情感分類的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及自然語(yǔ)言處理與情感分析應(yīng)用領(lǐng)域，具體涉及一種方面級(jí)用戶產(chǎn)品評(píng)論情感分析方法及系統(tǒng)。

背景技術(shù)

情感分析(Sentiment Analysis，SA)，又被稱為意見挖掘，是自然語(yǔ)言處理中文本分類任務(wù)的一項(xiàng)基本任務(wù)，其基本目標(biāo)是從文本中識(shí)別觀點(diǎn)，分析其情感傾向性。隨著近年來(lái)社交媒體和電子商務(wù)的興起，越來(lái)越多研究人員參與到該領(lǐng)域的研究。隨著研究的深入，人們對(duì)情感分析的分類粒度要求也越來(lái)越高，從文檔級(jí)、句子級(jí)再發(fā)展到如今的方面級(jí)(aspect level)。方面級(jí)情感分析的目標(biāo)是識(shí)別給定的句子中的每一個(gè)方面的情感極性(積極、消極和中性)。如在句子“這款筆記本電腦的分辨率很高，但是價(jià)格一點(diǎn)貴”中，評(píng)論者對(duì)筆記本電腦(實(shí)體)的某個(gè)方面“分辨率”的情感極性為積極，而對(duì)另一個(gè)產(chǎn)品方面“價(jià)格”的情感極性為消極。

方面級(jí)情感分析的早期研究通常采用傳統(tǒng)的監(jiān)督學(xué)習(xí)算法，該類研究著重于通過諸如詞袋模型、LDA等方法來(lái)提取特征以訓(xùn)練分類器。這些方法需要復(fù)雜的特征工程來(lái)提取文本特征，十分繁瑣。最近，端到端的神經(jīng)網(wǎng)絡(luò)，例如長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-TermMemory networks，LSTM)和記憶網(wǎng)絡(luò)(Memory Network，MemNet)，已經(jīng)在該任務(wù)上表現(xiàn)出最先進(jìn)的性能，而且無(wú)需任何費(fèi)力的特征工程。Wang等提出的ATAE-LSTM方法首次結(jié)合了LSTM和注意力機(jī)制，通過LSTM提取評(píng)論的上下文語(yǔ)義信息，再利用注意力機(jī)制提取評(píng)論對(duì)于情感分類最為重要的部分，該方法取得了當(dāng)時(shí)最先進(jìn)的結(jié)果。Tang等人將MemNet引入情感分析任務(wù)，通過外部記憶機(jī)制和多層注意力機(jī)制，在保存原本的語(yǔ)義信息的同時(shí)提取了句子中對(duì)方面信息最重要的片段，并且MemNet的參數(shù)遠(yuǎn)遠(yuǎn)少于LSTM網(wǎng)絡(luò)，使得MemNet的訓(xùn)練時(shí)間遠(yuǎn)少于基于LSTM的方法。Ma等人提出IAN模型，將評(píng)論和方面信息分別使用基于注意力機(jī)制的LSTM進(jìn)行建模，并且對(duì)生成的表征向量進(jìn)行了交互操作，從而更好地提取了上下文語(yǔ)義信息。Chen等人提出RAM模型，該模型將LSTM與MemNet結(jié)合，并且使用GRU來(lái)對(duì)MemNet的計(jì)算層進(jìn)行更新，并且引入位置權(quán)重，使得模型對(duì)情感信息的提取更加精確有效。Gu等人首次提出將位置信息與評(píng)論一起作為輸入，由深度神經(jīng)網(wǎng)絡(luò)自行學(xué)習(xí)，通過分層交互注意力機(jī)制使得評(píng)論和方面信息更好的交互和融合，并且減少了噪聲的影響。Xue等人的研究區(qū)別于以往的研究，將一種新型門控機(jī)制Tanh-ReLU與CNN結(jié)合起來(lái)進(jìn)行學(xué)習(xí)，彌補(bǔ)了CNN網(wǎng)絡(luò)在自然語(yǔ)言處理方面的不足，該門控機(jī)制Tanh-ReLU可以根據(jù)給定的方面或?qū)嶓w選擇性地輸出情感特征。該方法比現(xiàn)有模型中使用的注意力層簡(jiǎn)單得多。現(xiàn)有的基于注意力機(jī)制的模型雖然能將注意力權(quán)重集中到與產(chǎn)品方面相關(guān)的單詞上，但是無(wú)法捕獲長(zhǎng)期依賴，同時(shí)也容易受到噪聲影響從而將注意力集中到不相關(guān)的詞上。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種方面級(jí)用戶產(chǎn)品評(píng)論情感分析方法及系統(tǒng)，該方法及系統(tǒng)有利于提高情感分類的準(zhǔn)確性。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種方面級(jí)用戶產(chǎn)品評(píng)論情感分析方法，包括以下步驟：

步驟A：提取用戶的產(chǎn)品評(píng)論、評(píng)論涉及的產(chǎn)品方面詞、產(chǎn)品方面詞的位置信息，并對(duì)產(chǎn)品方面的情感極性進(jìn)行標(biāo)注，構(gòu)建訓(xùn)練集SA；

步驟B：使用訓(xùn)練集SA，訓(xùn)練用于方面級(jí)用戶產(chǎn)品評(píng)論情感分析的融合記憶網(wǎng)絡(luò)與雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的深度學(xué)習(xí)網(wǎng)絡(luò)模型M；