[發明專利]基于詞性特征和觀點特征結合卷積神經網絡的電商評論情感分析模型

在審

• 申請號: 202010521738.8
• 申請日: 2020-06-03
• 公開（公告）號: CN111694960A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 張艷榮;孫家媛;趙志杰;孟令躍
• 申請（專利權）人: 哈爾濱商業大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/211;G06F40/253;G06F40/30;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

基于詞性特征和觀點特征結合卷積神經網絡的電商評論情感分析模型，包括以下步驟；步驟一：利用詞性、依存句法分析和語義依存分析制定規則進行觀點特征提取；步驟二：在詞向量的表示基礎上采用向量拼接的方法引入詞性特征和觀點特征；步驟三：將詞向量與擴展特征向量作為卷積神經網絡的兩個輸入通道進行情感分析。本發明以解決評論與其評分不相符問題，進而幫助商家提高服務質量、升級產品性能。

技術領域

本發明涉及電商評論技術領域，特別涉及基于詞性特征和觀點特征結合卷積神經網絡的電商評論情感分析模型。

背景技術

隨著互聯網的快速普及，越來越多的產業由線下轉為線上，其中電商行業更是以逐年遞增的用戶量和交易量迅猛發展。由于電子商務的線上銷售特點，用戶通常文本評論的方式對其購買商品的體驗進行反饋，其內容不止為商家提取了建議，也為其他顧客提供了參考，具有極高的商業價值和社會價值，但此類數據具有篇幅小、規范性弱等特點，如何從這類文本中獲得評價信息中蘊含的情感傾向，進而幫助商家提高服務質量、升級產品性能，成為了情感分析技術的研究熱點。

目前的情感分析技術，包括以下幾種：

情感詞典的方法：簡單地把文本看作是詞語或者短語的集合，僅利用詞典判斷詞語的情感極性，而不考慮文本中上下文的關系。

機器學習的方法：通過有監督的方式訓練一個模型，根據該模型進行文本的情感分析。其中深度神經網絡能夠在更抽象的層面上描述原始數據的特征情況，而不過度依賴特征的選取。

發明內容

為了解決以上技術問題，本發明的目的在于提供基于詞性特征和觀點特征結合卷積神經網絡的電商評論情感分析模型，以解決評論與其評分不相符問題，進而幫助商家提高服務質量、升級產品性能。

為了實現上述目的，本發明采用的技術方案是：

基于詞性特征和觀點特征結合卷積神經網絡的電商評論情感分析模型，包括以下步驟；

步驟一：

利用詞性、依存句法分析和語義依存分析制定規則進行觀點特征提取；

步驟二：

在詞向量的表示基礎上采用向量拼接的方法引入詞性特征和觀點特征；

步驟三：

將詞向量與擴展特征向量作為卷積神經網絡的兩個輸入通道進行情感分析。

所述的步驟一中觀點特征提取基于詞性融合依存句法分析和語義依存分析制定規則進行觀點特征的提取。

所述的步驟二中的觀點特征包括描述及詞性分析，分別為評論對象，觀點詞、程度詞和情感詞。

所述的步驟一中規則制定依據LTP。

所述的步驟三中卷積神經網絡具體為：

所述的步驟三中的卷積神經網絡包括輸入層、卷積層、池化層和全連接層以及輸出層；首先從輸入層傳入數據，其次通過卷積層進行特征提取，然后利用池化層對特征進行篩選，降低特征維度，最后在全連接層進行特征組合，再通過輸出層輸出分類結果。

所述的輸入層具體為：

本模型采用雙通道的輸入策略，其中一通道為原始的文本詞向量，另一通道為融入詞性特征和觀點特征的擴展向量W：

所述的卷積層具體為：

在文本卷積神經網絡中，通常選取不同h大小的卷積核在文本矩陣相鄰的詞上進行滑動以獲取豐富的局部特征，本模型使用多卷積核的方式進行卷積操作，所選擇的3組卷積核大小分別為2、3、4；

所述的池化層具體為：