[发明专利]一种商家用户评价分析方法及系统

权利要求书

1.一种商家用户评价分析方法，其特征在于，包括：

采集商家用户评价语料；

对所述商家用户评价语料进行预处理，所述预处理包括语料清洗、语料划分单句和句子分词；

基于BERT模型和神经网络模型对所述预处理后的商家用户评价语料进行情感倾向分析，得到第一分析结果；

基于商家用户评价词库对预处理后的商家用户评价语料进行情感倾向分析，得到第二分析结果；

将所述第一分析结果和所述第二分析结果进行组合分析，得到最终的情感倾向分析结果；

所述采集商家用户评价语料具体包括至少以下之一：

通过爬虫程序采集所述商家用户评价语料；

通过API接口从用户评价平台上获取所述商家用户评价语料；

商家用户直接上传所述商家用户评价语料；

通过文件导入所述商家用户评价语料。

2.如权利要求1所述的方法，其特征在于，所述基于BERT模型和神经网络模型对所述预处理后的商家用户评价语料进行情感倾向分析，具体包括：

对预处理后的所述商家用户评价预料处理形成句子单词向量矩阵；

利用所述BERT模型抽取出涵盖商家用户评价语料内句子单词向量矩阵的语义信息特征；

利用卷积神经网络处理所述语义信息特征，抽取出商家用户评价语料内句子的关键局部特征；

将关键局部特征进行二值分类，若所述关键局部特征输出积极正向的情感评定，输出情感判定值为1；若输出消极负向的情感判定，输出情感判定值为-1。

3.如权利要求2所述的方法，其特征在于，在利用所述卷积神经网络处理所述语义信息特征之前，还包括：

基于所述句子单词向量矩阵建立句子单词向量矩阵训练集；

利用所述BERT模型抽取出涵盖所述句子单词向量矩阵训练集的语义信息特征；

对所述句子单词向量矩阵训练集的语义信息特征进行降维处理，抽取出所述句子单词向量矩阵训练集的关键局部特征；

将所述句子单词向量矩阵训练集的关键局部特征进行二值分类；

计算分类误差，根据所述分类误差修正神经网络模型；

所述计算分类误差具体包括：

将所述商家用户评价语料内句子单词向量矩阵训练集进行人工标注；

将所述人工标注的结果与所述句子单词向量矩阵训练集的关键局部特征进行二值分类结果进行比较，确定分类误差。

4.如权利要求1所述的方法，其特征在于，基于商家用户评价词库对预处理后的商家用户评价语料进行情感倾向分析，具体包括：

将商家用户评价词库导入情感分析器；

情感分析器将预处理后的所述商家用户评价语料产生的各个词语与所述商家用户评价词库进行对比，将所述商家用户评价语料中在所述商家用户评价词库内不存在的词去除；

计算每条语料内每个单句中每个词语的情感判定值；

对每条商家用户评价语料中每个单句计算单句的情感判定值；

所述计算每条语料内每个单句中每个词语的情感判定值，具体包括：

正向情感词的情感判定值为100，负向情感词的情感判定值为-100，中性词汇的情感判定值为0，转折词的情感判定值为-1.2，否定词的情感判定值为-1。

5.如权利要求4所述的方法，其特征在于，对每条商家用户评价语料中每个单句计算单句的情感判定值，由下列公式确定：

Q₂＝Q_否定*Q_转折*(Q_正向+Q_负向+Q_中性)

其中，Q₂为单句的情感判定值，Q__否定为单句中否定词的情感判定值，Q__转折为单句中转折词的情感判定值，Q__正向为单句中正向情感词的情感判定值，Q__负向为单句中负向情感词的情感判定值，Q__中性为单句中中性词的情感判定值；

当所述Q₂非负数时，所述商家用户评价语料计算情感判定值为1；当所述Q为负数时，所述商家用户评价语料计算情感判定值为-1。