[發(fā)明專利]一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法與裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110496262.1
• 申請(qǐng)日: 2021-05-07
• 公開（公告）號(hào): CN113282704A
• 公開（公告）日: 2021-08-20
• 發(fā)明（設(shè)計(jì)）人: 湯凌燕;王嫄;熊聰聰;劉玉橋;楊巨成;趙婷婷;陳亞瑞;潘旭冉
• 申請(qǐng)（專利權(quán)）人: 天津科技大學(xué)
• 主分類號(hào): G06F16/33
• 分類號(hào): G06F16/33;G06F16/338;G06F40/216;G06F40/242;G06F40/289;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 北京慕達(dá)星云知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法，其特征在于，包括：

獲取多條待判斷的評(píng)論數(shù)據(jù)，對(duì)所述待判斷的評(píng)論數(shù)據(jù)進(jìn)行預(yù)處理；

將每條所述預(yù)處理后的評(píng)論數(shù)據(jù)輸入情感分析模型，輸出評(píng)論情感得分；

將每條所述預(yù)處理后的評(píng)論數(shù)據(jù)輸入主題分析模型，輸出詞頻總權(quán)重和評(píng)論主題排序；

將每條所述預(yù)處理后的評(píng)論數(shù)據(jù)輸入可信度分析模型，輸出評(píng)論者可信度得分；

根據(jù)所述評(píng)論情感得分、詞頻總權(quán)重、評(píng)論者可信度得分及在所述評(píng)論數(shù)據(jù)中提取的語義特征，進(jìn)行加權(quán)求和，得到評(píng)論有用性得分；

將所述評(píng)論有用性得分與預(yù)設(shè)閾值相比較，判斷和篩選出高效有用評(píng)論。

2.如權(quán)利要求1所述的一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法，其特征在于，還包括：

根據(jù)閱讀者的網(wǎng)絡(luò)特征，并結(jié)合所述評(píng)論主題排序，輸出基于閱讀者特征的高效有用評(píng)論排序結(jié)果。

3.如權(quán)利要求1所述的一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法，其特征在于，對(duì)待判斷的評(píng)論數(shù)據(jù)進(jìn)行預(yù)處理，包括：

對(duì)所述待判斷的評(píng)論數(shù)據(jù)進(jìn)行清洗；

對(duì)清洗后的所述評(píng)論數(shù)據(jù)進(jìn)行分詞處理；

對(duì)分詞后的所述評(píng)論數(shù)據(jù)進(jìn)行詞性標(biāo)注和標(biāo)點(diǎn)符號(hào)標(biāo)注。

4.如權(quán)利要求1所述的一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法，其特征在于，所述情感分析模型的訓(xùn)練步驟包括：

構(gòu)建長短時(shí)記憶網(wǎng)絡(luò)；

將情感分析的訓(xùn)練樣本數(shù)據(jù)輸入所述長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練；所述情感分析的訓(xùn)練樣本數(shù)據(jù)由word2vec轉(zhuǎn)換為特征向量；所述情感分析的訓(xùn)練樣本數(shù)據(jù)為帶有評(píng)論情感得分的標(biāo)識(shí)；所述評(píng)論情感得分由詞情感極性值和標(biāo)點(diǎn)符號(hào)情感極性值，加權(quán)求和獲得；所述詞情感極性值由評(píng)論中各個(gè)詞與領(lǐng)域情感詞典進(jìn)行余弦相似度匹配計(jì)算獲得；

判斷訓(xùn)練得到的模型是否滿足第一預(yù)設(shè)條件；

當(dāng)訓(xùn)練得到的模型滿足第一預(yù)設(shè)條件時(shí)，確定所述訓(xùn)練得到的模型為情感分析模型。

5.如權(quán)利要求1所述的一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法，其特征在于，所述主題分析模型的訓(xùn)練步驟包括：

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；

將主題分析的訓(xùn)練樣本數(shù)據(jù)輸入所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；所述主題分析的訓(xùn)練樣本數(shù)據(jù)由word2vec轉(zhuǎn)換為特征向量；所述主題分析的訓(xùn)練樣本數(shù)據(jù)為帶有詞頻總權(quán)重和評(píng)論主題排序的標(biāo)識(shí)；其中，所述詞頻總權(quán)重由主題權(quán)重和詞頻權(quán)重進(jìn)行加權(quán)求和獲得；所述詞頻權(quán)重由TF-IDF計(jì)算獲得；所述主題權(quán)重和所述評(píng)論主題排序，由LDA統(tǒng)計(jì)和提取；

判斷訓(xùn)練得到的模型是否滿足第二預(yù)設(shè)條件；

當(dāng)訓(xùn)練得到的模型滿足第二預(yù)設(shè)條件時(shí)，確定所述訓(xùn)練得到的模型為主題分析模型。

6.如權(quán)利要求1所述的一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法，其特征在于，所述可信度分析模型的訓(xùn)練步驟包括：

構(gòu)建圖形卷積神經(jīng)網(wǎng)絡(luò)；

將可信度分析的訓(xùn)練樣本數(shù)據(jù)輸入所述圖形卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；所述可信度分析的訓(xùn)練樣本數(shù)據(jù)由word2vec轉(zhuǎn)換為特征向量；所述可信度分析的訓(xùn)練樣本數(shù)據(jù)為帶有評(píng)論者可信度得分的標(biāo)識(shí)；所述評(píng)論者可信度得分由專業(yè)性得分、信譽(yù)排名得分和人口學(xué)特征得分，加權(quán)求和獲得；

判斷訓(xùn)練得到的模型是否滿足第三預(yù)設(shè)條件；

當(dāng)訓(xùn)練得到的模型滿足第三預(yù)設(shè)條件時(shí)，確定所述訓(xùn)練得到的模型為情感分析模型。

7.如權(quán)利要求1所述的一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的方法，其特征在于，所述評(píng)論有用性得分還通過以下方式獲得：由評(píng)論屬性得分、所述評(píng)論情感得分、詞頻總權(quán)重和評(píng)論者可信度得分，進(jìn)行加權(quán)求和。

8.一種對(duì)評(píng)論有用性進(jìn)行判斷和篩選的裝置，其特征在于，包括：

獲取及預(yù)處理模塊，用于獲取多條待判斷的評(píng)論數(shù)據(jù)，對(duì)所述待判斷的評(píng)論數(shù)據(jù)進(jìn)行預(yù)處理；

情感分析模塊，用于將每條所述預(yù)處理后的評(píng)論數(shù)據(jù)輸入情感分析模型，輸出評(píng)論情感得分；

主題分析模塊，用于將每條所述預(yù)處理后的評(píng)論數(shù)據(jù)輸入主題分析模型，輸出詞頻權(quán)重和評(píng)論主題排序；

可信度分析模塊，用于將每條所述預(yù)處理后的評(píng)論數(shù)據(jù)輸入可信度分析模型，輸出評(píng)論者可信度得分；

計(jì)算模塊，用于根據(jù)所述評(píng)論情感得分、詞頻總權(quán)重、評(píng)論者可信度得分及在所述評(píng)論數(shù)據(jù)中提取的語義特征，進(jìn)行加權(quán)求和，得到評(píng)論有用性得分；

篩選模塊，用于將所述評(píng)論有用性得分與預(yù)設(shè)閾值相比較，判斷和篩選出高效有用評(píng)論；

排序模塊，用于根據(jù)閱讀者的網(wǎng)絡(luò)特征，并結(jié)合所述評(píng)論主題排序，輸出基于閱讀者特征的高效有用評(píng)論排序結(jié)果。