[发明专利]情感分析方法、装置、电子设备及存储介质

权利要求书

1.一种情感分析方法，其特征在于：包括以下步骤：

获取文本语料，基于所述文本语料得到分句情感极性和候选词典；

获取种子情感词典、部首集和音位集，基于所述文本语料、所述分句情感极性、所述种子情感词典、所述部首集和所述音位集训练CBOW扩展模型，通过训练完成的CBOW扩展模型得到向量矩阵，所述向量矩阵包括词向量矩阵、部首向量矩阵和音位向量矩阵；

基于所述向量矩阵和所述种子情感词典训练前馈神经网络，得到情感分类器，根据所述候选词典和所述情感分类器，得到所述文本语料所属领域的情感词典，基于所述情感词典对所属领域的文本进行情感分析。

2.如权利要求1所述的一种情感分析方法，其特征在于：基于所述文本语料得到分句情感极性和候选词典，包括：

对所述文本语料进行清洗并分句，对每个分句标注分句情感极性；

对所述文本语料进行分词，得到有效分词，统计所述有效分词出现的词频，将词频大于预设的词频阈值的有效分词作为候选词，所述候选词构成候选词典。

3.如权利要求1所述的一种情感分析方法，其特征在于：基于所述文本语料、所述分句情感极性、所述种子情感词典、所述部首集和所述音位集训练CBOW扩展模型，通过训练完成的CBOW扩展模型得到向量矩阵，包括：

将所述文本语料分词得到目标词，M是所述目标词的数量，目标词记为x_i(i＝1,...,M)，目标词x_i的向量w_i由目标词x_i的词向量部首向量和音位向量连接得到，由目标词x_i(i＝1,...,M)的向量w_i构成向量矩阵，向量矩阵记为W，W＝[w₁,...,w_M]^T；

随机初始化向量矩阵W，基于CBOW扩展模型，应用上下文目标函数，计算基于上下文得到目标词x_i的向量w_i的对数概率f₁；

其中，D是目标词x_i在所述文本语料中出现的次数，分别为目标词x_i预设窗口的上下文词语、上下文字符、子字符和目标词x_i的部首，是基于上下文词语得到向量w_i的概率，是基于上下文字符得到向量w_i的概率，是基于子字符得到向量w_i的概率，是基于部首得到向量w_i的概率；

应用分句极性目标函数，计算目标词x_i所在分句Se_i的分句情感极性对数概率f₂；

其中，Se_i是目标词x_i所在的分句，s_i是分句Se_i中包含的词语对应的词向量平均值，S是分句Se_i在所述文本语料中出现的次数，spol_i是分句Se_i对应的分句情感极性；

在所述种子情感词典中查找所述目标词x_i进行标记，统计标记次数C，将标记对应的情感极性作为目标词x_i的标记情感极性pol_i，应用词极性目标函数，计算目标词x_i的词情感极性对数概率f₃；

其中，分别是目标词x_i的词向量、部首向量和音位向量，C是目标词x_i对应的标记次数，pol_i是目标词x_i的标记情感极性；

应用整体目标函数，计算所述目标词x_i(i＝1,...,M)语义和情感极性的整体概率f；

f(w_i)＝f₁(w_i)+f₂(Se_i)+f₃(w_i)；

其中，f₁(w_i)是基于上下文得到目标词x_i的向量w_i的对数概率，f₂(Se_i)是目标词x_i所在分句Se_i的分句情感极性对数概率，f₃(w_i)是目标词x_i的词情感极性对数概率；

根据整体目标函数f(w_i)和随机梯度上升法训练CBOW扩展模型，基于训练完成的CBOW扩展模型得到所有目标词x_i(i＝1,...,M)的向量w_i，并构成向量矩阵W。