[發明專利]基于情感分析的課程分析方法、裝置、設備及介質

有效

• 申請號: 202011182602.5
• 申請日: 2020-10-29
• 公開（公告）號: CN112307771B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 張逸進;張茜;胡立波;熊龍飛;葉聆音;沈芳瑤
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F40/30
• 分類號: G06F40/30;G06F40/151;G06F16/33;G06Q50/20
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 遲珊珊

本發明涉及人工智能領域，提供一種基于情感分析的課程分析方法、裝置、設備及介質，能夠對初始數據進行文本清洗，提升了模型的穩健性，使模型的判斷更加準確，將待分析數據劃分為短文本數據及長文本數據，根據短文本數據的數據量及長文本數據的數據量配置處理線程，結合多進程并發及負載均衡實現了對大量數據處理時的優化，通過對數據進行動態劃分，提高了運行效率，對短文本數據及長文本數據執行情感分析，實現對文本有針對性的情感分析，對模型的分類結果進行了優化，進而結合人工智能手段實現對課程的情感分析，且分析結果更加準確可靠。本發明還涉及區塊鏈技術，情感分析結果可存儲于區塊鏈。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于情感分析的課程分析方法、裝置、設備及介質。

背景技術

自然語言處理(Natural Language Processing，NLP)屬于人工智能的一個子領域，是一門融語言學、計算機科學及數學于一體的科學，情感分析技術作為自然語言處理的一個重要分支，充分利用了CNN(Convolutional Neural Networks，卷積神經網絡)、LSTM(Long Short-Term Memory，長短期記憶網絡)等深度學習框架。

在實際應用中，線上學習平臺通常會產生大量的用戶交互評論數據，對交互數據進行情感分析，能夠有助于判斷用戶對課程的認可度，而傳統的數據分析技術無法對評論數據形成有效的分析，因此，需要數據分析師通過肉眼逐條核查，并根據主觀意識形成分析結果，不僅需要耗費大量的體力勞動與時間，且無法形成復用框架，分析師陷入了繁重的校對工作，無法投身于更有價值的業務分析。

另外，當采用人工智能的方式對交互數據進行情感分析時，CNN并不適用于對長文本的處理，而傳統的LSTM也僅能實現對情感的二分類，在面對大量的待處理數據時，模型的穩定性及處理速度也欠佳。

發明內容

鑒于以上內容，有必要提供一種基于情感分析的課程分析方法、裝置、設備及介質，能夠通過對數據進行清洗提升模型的穩健性，使模型的判斷更加準確，結合多進程并發及負載均衡實現對大量數據處理時的優化，同時，通過對數據進行動態劃分，提高了運行效率，并對模型的分類結果進行了優化，進而結合人工智能手段實現對課程的情感分析，且分析結果更加準確可靠。

一種基于情感分析的課程分析方法，所述基于情感分析的課程分析方法包括：

響應于課程分析指令，根據所述課程分析指令確定待分析課程，并獲取所述待分析課程對應的初始數據；

對所述初始數據進行文本清洗，得到待分析數據；

檢測所述待分析數據中每個數據的文本長度，并根據每個數據的文本長度將所述待分析數據劃分為短文本數據及長文本數據；

確定所述短文本數據的數據量及所述長文本數據的數據量，并根據所述短文本數據的數據量為所述短文本數據配置處理線程作為第一處理線程，及根據所述長文本數據的數據量為所述長文本數據配置處理線程作為第二處理線程；

調用所述第一處理線程對所述短文本數據執行第一情感分析，得到第一分析結果，及調用所述第二處理線程對所述長文本數據執行第二情感分析，得到第二分析結果；

根據所述第一分析結果及所述第二分析結果確定所述待分析課程的情感分析結果。

根據本發明優選實施例，所述根據所述課程分析指令確定待分析課程，并獲取所述待分析課程對應的初始數據包括：

解析所述課程分析指令的方法體，得到所述課程分析指令所攜帶的信息；

獲取預設標簽；

在所述課程分析指令所攜帶的信息中查找與所述預設標簽相同的數據作為所述待分析課程；

連接所述待分析課程對應的服務器，并從所述服務器中獲取對所述待分析課程的評價數據作為所述初始數據。