[發(fā)明專利]一種細(xì)粒度情感分析方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110945239.6
• 申請(qǐng)日: 2021-08-17
• 公開（公告）號(hào): CN113688634B
• 公開（公告）日: 2022-02-11
• 發(fā)明（設(shè)計(jì)）人: 閆琰;周法國(guó);張瀟;李旭峰;葛逸凡;李嘉裕
• 申請(qǐng)（專利權(quán)）人: 中國(guó)礦業(yè)大學(xué)（北京）
• 主分類號(hào): G06F40/30
• 分類號(hào): G06F40/30;G06F40/211;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京金智普華知識(shí)產(chǎn)權(quán)代理有限公司 11401
• 代理人: 巴曉艷

本發(fā)明涉及一種細(xì)粒度情感分析方法，涉及自然語(yǔ)言處理領(lǐng)域。該方法包括以下步驟：為數(shù)據(jù)集中每條樣本生成序列標(biāo)簽和位置嵌入向量、添加“start”和“end”標(biāo)志以標(biāo)識(shí)樣本的首尾、添加標(biāo)簽“pad”以補(bǔ)齊樣本長(zhǎng)度，之后將樣本通過(guò)詞典轉(zhuǎn)化為整數(shù)編碼序列，輸入bert模型生成樣本的嵌入向量；搭建實(shí)體數(shù)量預(yù)測(cè)模型、實(shí)體起始位置標(biāo)注模型和實(shí)體長(zhǎng)度預(yù)測(cè)模型，并將樣本分別輸入三個(gè)模型進(jìn)行訓(xùn)練，完成評(píng)價(jià)對(duì)象提取(OTE)；搭建情感預(yù)測(cè)模型，并將樣本輸入該模型進(jìn)行訓(xùn)練，完成情感極性分析(OSC)；順次連接以上訓(xùn)練完畢的四個(gè)模型，輸入待預(yù)測(cè)樣本，抽取評(píng)價(jià)對(duì)象并分析評(píng)價(jià)對(duì)象的情感極性。本發(fā)明可用于抽取評(píng)論文本中的評(píng)價(jià)對(duì)象及對(duì)其進(jìn)行情感分析。

技術(shù)領(lǐng)域

本發(fā)明涉及自然語(yǔ)言處理領(lǐng)域，具體涉及一種細(xì)粒度情感分析方法，用于抽取評(píng)論文本中的評(píng)價(jià)對(duì)象并判斷其情感極性的方法。

背景技術(shù)

細(xì)粒度情感分析，是目前自然語(yǔ)言處理領(lǐng)域中最熱門的一項(xiàng)語(yǔ)義分析任務(wù)，其目的在于抽取非結(jié)構(gòu)化的評(píng)論文本中的評(píng)價(jià)對(duì)象(關(guān)鍵詞)，并根據(jù)上下文得到其對(duì)應(yīng)情感極性。細(xì)粒度情感分析任務(wù)的提出是因?yàn)檫^(guò)去粗粒度情感分析任務(wù)無(wú)法滿足當(dāng)下人們的需求。粗粒度情感分析任務(wù)的對(duì)象是一個(gè)文檔(句子)，它只能得到文檔(句子)整體的情感極性傾向。但是現(xiàn)實(shí)世界中的事物都是多方面的，一個(gè)評(píng)論文本往往會(huì)對(duì)同一個(gè)事物的不同方面做出評(píng)價(jià)。如“這家餐廳食物很好吃，但是服務(wù)態(tài)度很差，交通也不方便。”這句評(píng)論涉及了三個(gè)評(píng)價(jià)對(duì)象且評(píng)價(jià)的極性也不同。粗粒度情感分析來(lái)分析該評(píng)論文本的時(shí)候就無(wú)法做出多方面、客觀的評(píng)價(jià)，相比之下，細(xì)粒度情感分析則可以識(shí)別出“食物、”“服務(wù)態(tài)度”“交通”三個(gè)評(píng)價(jià)對(duì)象及對(duì)應(yīng)情感極性。細(xì)粒度情感分析可以提取出更具體、更多元、更客觀的信息，這一點(diǎn)具有十分廣闊的應(yīng)用前景和潛在價(jià)值。對(duì)于用戶而言，用戶可以更方便的了解自己想了解的部分，用更少的精力更高效地完成自己對(duì)商品的篩選；對(duì)于商家而言，商家可以迅速察覺(jué)自己商品不受歡迎的具體原因或是用戶最喜愛(ài)的方面，這些信息有助于商家調(diào)整自己的銷售策略和進(jìn)行產(chǎn)品優(yōu)化，創(chuàng)造更高的收益。

細(xì)粒度情感分析任務(wù)的主流方法是將任務(wù)拆解為評(píng)價(jià)對(duì)象抽取和情感極性分析兩個(gè)子任務(wù)。評(píng)價(jià)對(duì)象抽取任務(wù)的常見(jiàn)解決方法是將抽取任務(wù)轉(zhuǎn)化為序列標(biāo)注任務(wù)。如Wang等人【Recursive Neural Conditional Random Fields for Aspect-basedSentiment Analysis】就利用深度學(xué)習(xí)的特征提取能力，采取循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeural Network)與條件隨機(jī)場(chǎng)(CRF)相結(jié)合的方式抽取評(píng)論文本中的評(píng)價(jià)對(duì)象和評(píng)價(jià)詞。Yan等人【Graph Convolutional Networks for Target-oriented Opinion WordsExtraction with Adversarial Training】也使用了深度學(xué)習(xí)的方法，他們使用圖卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取深層特征，同時(shí)用對(duì)抗訓(xùn)練的方法提升模型的魯棒性，并取得了不錯(cuò)的效果。但是上述兩個(gè)模型仍然存在缺陷，Wang采用的循環(huán)神經(jīng)網(wǎng)絡(luò)提取特征的能力較弱，比如會(huì)遺忘距離過(guò)遠(yuǎn)的信息，而且其使用word2vec的詞向量表達(dá)方式效果也不如現(xiàn)在流行的bert方法；Yan使用自定的output層為序列標(biāo)注問(wèn)題添加約束，從數(shù)學(xué)角度來(lái)講效果不如條件隨機(jī)場(chǎng)。對(duì)于情感極性分析任務(wù)而言，其核心問(wèn)題在于如何使模型識(shí)別上下文和評(píng)價(jià)對(duì)象的關(guān)系。Ma【Interactive Attention Networks for Aspect-Level SentimentClassification】提出了IAN(Interactive Attention Networks)用于分別提取上下文和評(píng)價(jià)對(duì)象的隱藏態(tài)，并將該隱藏態(tài)分別添加到對(duì)方的序列上，再利用注意力機(jī)制分別提取上下文和評(píng)價(jià)對(duì)象的最終表示，用它來(lái)做最后的極性分類。Ma在論文中展現(xiàn)了注意力層的權(quán)重，說(shuō)明了注意力機(jī)制在該任務(wù)中的可行性。

發(fā)明內(nèi)容

鑒于上文所描述的問(wèn)題，本發(fā)明提出了一種新方法用來(lái)解決評(píng)價(jià)對(duì)象抽取任務(wù)和評(píng)價(jià)對(duì)象情感極性分析任務(wù)，并將兩者連接起來(lái)完成細(xì)粒度情感分析總?cè)蝿?wù)。

根據(jù)本發(fā)明的第一方面，提供一種用于細(xì)粒度情感分析的方法，其特征在于，所述方法包括以下步驟：