[发明专利]细粒度情感分析模型训练方法及装置

权利要求书

1.一种细粒度情感分析模型训练方法，其特征在于，所述方法包括：

获取带有情感标记以及方面词的文本信息，并将所述文本信息分为若干语句；

对所述文本信息中的每条语句进行分词处理，获取每条语句中每个词的上下文词向量，并获取方面词的词向量，根据所述每个词的上下文词向量以及所述方面词的词向量得到所述文本信息中每条语句对应的语句向量；所述每个词的上下文词向量为每个词对应上下文的向量，所述每个词的上下文词向量是基于每个词的词向量结合上下文确定的；

根据所述每条语句对应的语句向量获取每条语句的上下文语句向量，并获取每条语句基于所述方面词的语句权重，根据所述上下文语句向量与所述语句权重得到所述文本信息的文本向量；

将所述文本向量、情感标记、以及方面词输入到循环神经网络，训练得到神经网络模型，其中，所述神经网络模型用于识别文本中针对方面词的情感类型；

所述根据所述每个词的上下文词向量以及所述方面词的词向量得到所述文本信息中每条语句对应的语句向量，包括：

将所述上下文词向量以及所述方面词的词向量进行拼接，得到每个词对应的方面向量；

将所述方面向量通过线性层，得到每个词对应的值；

将所述每个词对应的值与所述上下文词向量相乘得到每个词对应的单词向量；

根据每条语句中每个词对应的单词向量确定相应语句的语句向量。

2.根据权利要求1所述的细粒度情感分析模型训练方法，其特征在于，所述获取每条语句中每个词的上下文词向量，包括：

获取每个词对应的词向量，并根据所述每个词对应的词向量通过双向长短期记忆网络编码得到每个词对应的上下文词向量。

3.根据权利要求2所述的细粒度情感分析模型训练方法，其特征在于，所述方法还包括：

采集预设数据量的文本信息，得到对应的文本信息集合；

通过机器学习方式生成所述文本信息集合中每个词的词向量，得到词向量集合；

所述获取每个词对应的词向量，包括：

从所述词向量集合中查找每个词对应的词向量。

4.根据权利要求1所述的细粒度情感分析模型训练方法，其特征在于，所述方法还包括：

获取带有测试情感标记以及测试方面词的测试文本信息，将所述测试文本信息与测试方面词输入到所述神经网络模型，得到输出的情感标记结果；

将所述情感标记结果与所述测试情感标记进行对比，得到所述神经网络模型的训练成绩，并输出所述训练成绩。

5.一种细粒度情感分析模型训练装置，其特征在于，包括：

第一获取模块，用于获取带有情感标记以及方面词的文本信息，并将所述文本信息分为若干语句；

分词模块，用于对所述文本信息中的每条语句进行分词处理，获取每条语句中每个词的上下文词向量，并获取方面词的词向量，根据所述每个词的上下文词向量以及所述方面词的词向量得到所述文本信息中每条语句对应的语句向量；所述每个词的上下文词向量为每个词对应上下文的向量，所述每个词的上下文词向量是基于每个词的词向量结合上下文确定的；

第二获取模块，用于根据所述每条语句对应的语句向量获取每条语句的上下文语句向量，并获取每条语句基于所述方面词的语句权重，根据所述上下文语句向量与所述语句权重得到所述文本信息的文本向量；

训练模块，用于将所述文本向量、情感标记、以及方面词输入到循环神经网络，训练得到神经网络模型，其中，所述神经网络模型用于识别文本中针对方面词的情感类型；

所述根据所述每个词的上下文词向量以及所述方面词的词向量得到所述文本信息中每条语句对应的语句向量，包括：

将所述上下文词向量以及所述方面词的词向量进行拼接，得到每个词对应的方面向量；

将所述方面向量通过线性层，得到每个词对应的值；

将所述每个词对应的值与所述上下文词向量相乘得到每个词对应的单词向量；

根据每条语句中每个词对应的单词向量确定相应语句的语句向量。