[发明专利]一种基于深度学习的评论文本属性级情感分析方法

说明书

本发明提出了一种基于深度学习的评论文本属性级情感分析方法，包括以下步骤：步骤A：获取公开的评论文本数据，例如某论坛某领域相关的评论文本数据等，形成原始数据集；步骤B：为原始数据集打上形如(属性类别，情感倾向)的二元组标签；步骤C：文本预处理及分词；步骤D：利用深度学习框架，采用新型自注意力融合网络，训练得到最终模型，以进行属性级情感分析。本发明通过新型自注意力融合网络有效融合了评论文本及其对应属性信息，更好地促进了两者之间的信息交互，有效提高了针对评论文本属性级情感倾向预测的准确率。并且本发明相比于一般基于RNN的深度学习解决方案，具有更短的模型训练迭代时间。

技术领域

本发明涉及人工智能、深度学习技术领域，尤其涉及自然语言处理有关的研究和分析，具体涉及评论文本属性级情感分析。

背景技术

随着互联网技术的发展，顾客和零售商/生产者之间的互动方式已经发生了巨大的变化。现在，越来越多的公司倾向于收集顾客的反馈，比如评论，在线论坛讨论等，以改善客户体验、产品设计等等。然而，我们面临的一个主要挑战是如何从大量超载的信息中提取有用的信息。情感分析是解决上述问题的关键手段。情感分析可以为公司和客户提供很多有价值的信息。更进一步，一些公司不仅感兴趣用户评论对于给定产品的整体情感倾向，也希望知道用户对某一产品的某一特定属性的情感倾向。因此，针对评论文本的属性级情感分析问题便显得十分重要。

除了传统的机器学习方法，例如SVM，深度学习的发展为此类问题的分析提供了极大的帮助。现有的研究大多利用一些新兴的深度学习结构诸如LSTM、CNN以及注意力机制，并针对这一特定问题做出一定的修正，以解决评论文本的属性级情感分析问题。虽然现有的方法可以一定程度上更好地关注到句子中针对该特定属性的部分，以更好的进行属性级情感分析，然而现有的方法并没有很好的考虑评论文本信息及其对应属性信息的融合。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的评论文本属性级情感分析方法。

本发明提出的基于深度学习的评论文本属性级情感分析方法，包括以下步骤：

步骤A：获取公开的评论文本数据，形成原始数据集；

步骤B：为所述原始数据集打上二元组标签；所述二元组标签为(属性类别，情感倾向)；

步骤C：文本预处理及分词；

步骤D：利用深度学习框架，采用新型自注意力融合网络，训练得到最终模型，以进行属性级情感分析。

本发明步骤B包括：

步骤B1：针对目标文本预先定义属性类别，情感倾向定义包括三种：正向情感、负向情感和中立情感；

步骤B2：将所述原始数据集逐一打上二元组标签。

本发明步骤C中，文本预处理包括特殊符号去除及停用词去除；分词采用按“字”为单位分隔。

本发明步骤D中，所述新型自注意力融合网络将文本及其对应的属性标签的词向量作为输入，得到最终文本针对该属性的情感倾向预测结果概率分布。

本发明步骤D包括：

步骤D1：新型自注意力融合网络首先由两个多头自注意力模块分别对文本及其对应属性标签编码，分别得到文本特征表示及对应属性特征表示；

步骤D2：将得到的文本特征表示及对应属性特征表示作为输入送入第三个多头注意力模块得到文本-属性融合特征表示；

步骤D3：将文本-属性融合特征表示作为输入送入二维卷积及最大池化模块；

步骤D4：将二维卷积及最大池化模块计算得到的结果送入全连接层并利用softmax函数进行归一化操作得到最终文本针对该属性的情感倾向预测结果概率分布。