[發明專利]基于卷積神經網絡的評價對象抽取方法及裝置

在審

• 申請號: 202110205277.8
• 申請日: 2021-02-24
• 公開（公告）號: CN112883713A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 周武;楊柳清;黃藝媛;宋路祥
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F40/211
• 分類號: G06F40/211;G06F40/289;G06F40/30;G06K9/62;G06N3/04;G06N3/08;G06Q30/02
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;孫乳筍

本發明提供一種基于卷積神經網絡的評價對象抽取方法及裝置，屬于人工智能技術領域。該基于卷積神經網絡的評價對象抽取方法包括：獲取語句文本并根據所述語句文本中的各單詞生成詞向量矩陣；將詞向量矩陣輸入基于上文詞向量矩陣、下文詞向量矩陣和預設的卷積神經網絡模型創建的詞標簽模型中，得到詞標簽得分矩陣；根據詞標簽得分矩陣確定各單詞的詞標簽；其中，詞標簽包括評價對象詞標簽；抽取評價對象詞標簽對應的單詞為評價對象。本發明可以提高抽取評價對象的效率和準確性。

技術領域

本發明涉及人工智能技術領域，具體地，涉及一種基于卷積神經網絡的評價對象抽取方法及裝置。

背景技術

互聯網的出現和普及帶來了大量的信息，和其他數據一樣，文本評論同樣不斷地從互聯網當中產生。例如，淘寶、天貓和京東等眾多電商平臺允許用戶對購買商品進行評價；網易云音樂、QQ音樂等音樂平臺允許對歌手所發布的歌曲進行評價；Twitter、微博等大眾社交平臺允許用戶之間各自的發文進行評價。其中，文本評論包含了用戶對評價對象的情感傾向，即用戶通過評論來表達對評價對象的喜好程度。因此對評論信息進行情感分析是輔助決策和優化評價對象的有效方法和途徑。評價對象抽取在文本情感分析領域是一項基礎且關鍵的任務，是指從評論文本中正確地提取構成目標評價對象的單詞或者詞組，也可視其為一種序列標注任務和一種細粒度的抽取任務，一條評論文本可能包含多個評價對象，完成正確的抽取有一定的難度，因此評價對象的抽取獲得了廣泛關注并存在較多的解決方案。近年來，隨著詞向量技術的發展，基于深度學習的方法能夠自動地提取出文本的語義特征，避免了人工提取特征繁瑣的過程以及不確定性，因此可以被廣泛地應用于解決該領域的問題。基于深度學習的方法主要包括卷積神經網絡(Convolutional Neural Network，CNN)和循環神經網絡(Recurrent Neural Network，RNN)兩大類。其中，RNN模型具有記憶序列信息的能力，對序列建模上具備一定的優勢，但一般RNN模型的參數較多，每一步的計算都需要前一步計算的結果，因此RNN模型未能充分發揮GPU的并行能力且訓練時間相對較長，降低了抽取評價對象的效率；另外，RNN模型也無法融入評價對象的上下文特征并進行準確的識別。

發明內容

本發明實施例的主要目的在于提供一種基于卷積神經網絡的評價對象抽取方法及裝置，以提高抽取評價對象的效率和準確性。

為了實現上述目的，本發明實施例提供一種基于卷積神經網絡的評價對象抽取方法，包括：

獲取語句文本并根據所述語句文本中的各單詞生成詞向量矩陣；

將詞向量矩陣輸入基于上文詞向量矩陣、下文詞向量矩陣和預設的卷積神經網絡模型創建的詞標簽模型中，得到詞標簽得分矩陣；

根據詞標簽得分矩陣確定各單詞的詞標簽；其中，詞標簽包括評價對象詞標簽；

抽取評價對象詞標簽對應的單詞為評價對象。

本發明實施例還提供一種基于卷積神經網絡的評價對象抽取裝置，包括：

詞向量矩陣獲取模塊，用于獲取語句文本并根據語句文本中的各單詞生成詞向量矩陣；

詞標簽得分矩陣模塊，用于將詞向量矩陣輸入基于上文詞向量矩陣、下文詞向量矩陣和預設的卷積神經網絡模型創建的詞標簽模型中，得到詞標簽得分矩陣；

詞標簽模塊，用于根據詞標簽得分矩陣確定各單詞的詞標簽；其中，詞標簽包括評價對象詞標簽；

評價對象抽取模塊，用于抽取評價對象詞標簽對應的單詞為評價對象。

本發明實施例還提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并在處理器上運行的計算機程序，處理器執行計算機程序時實現所述的基于卷積神經網絡的評價對象抽取方法的步驟。