[发明专利]一种基于产品评论分析用户情感倾向的方法及系统

权利要求书

1.一种基于产品评论分析用户情感倾向的方法，其特征在于,该方法的实现过程包括：

步骤1、定义爬取产品评论的爬虫工具；

步骤2、利用定义的爬虫工具爬取公司产品评论页的html页面并抽取出其中的评论相关信息，得到初始的数据集；

步骤3、对初始数据集进行预处理，得到预处理后的数据集；

步骤4、利用Text-Rank算法，对预处理后的数据集进行关键词提取，形成关键词数据集，并标记关键词的情感倾向；

步骤5、定义Bayesian LSTM训练模型和训练停止函数，用标记有情感倾向的关键词数据集训练Bayesian LSTM训练模型，得到情感倾向的分析结果，训练停止函数在BayesianLSTM训练模型将要出现过拟合或欠拟合时及时停止Bayesian LSTM训练模型的训练；

步骤6、将剩余小部分标记有情感倾向的关键词数据集输入Bayesian LSTM训练模型得到情感倾向的分析结果，人为计算剩余小部分标记有情感倾向的关键词数据集的情感倾向，比较前述两者的相似度，在相似度超过设定阈值时，Bayesian LSTM训练模型通过验证并作为情感倾向预测模型，将剩余另一小部分关键词数据集输入情感倾向预测模型，预测分析得出产品评论包含的情感倾向。

2.根据权利要求1所述的一种基于产品评论分析用户情感倾向的方法，其特征在于，步骤2中，对初始数据集进行预处理的过程依次包括：去除无用的符号，对文本进行分词，去除停用词，对类别数据进行量化处理，对文本数据进行序列化处理。

3.根据权利要求1所述的一种基于产品评论分析用户情感倾向的方法，其特征在于，在执行步骤5之前，需要将步骤4处理后的关键词数据集随机划分成训练集和测试集，再将训练集随机划分成训练子集和验证子集，随后，利用训练子集包含的数据训练Bayesian LSTM训练模型，在训练停止函数停止Bayesian LSTM训练模型的训练时，利用验证子集包含的数据验证Bayesian LSTM训练模型，验证通过后，再将测试集输入Bayesian LSTM训练模型，预测分析产品评论包含的情感倾向。

4.根据权利要求3所述的一种基于产品评论分析用户情感倾向的方法，其特征在于，利用分割函数train_test_split()，将关键词数据集按照9:1或8:2或7:3的比例随机划分成训练集和测试集，再利用分割函数train_test_split()，将训练集按照9:1或8:2或7:3的比例随机划分成训练子集和验证子集。

5.根据权利要求3所述的一种基于产品评论分析用户情感倾向的方法，其特征在于，所述用户情感倾向有五个满意度级别，五个满意度级别对应的区间分别是0-20％、20％-40％、40％-60％、60％-80％、80％-100％，Bayesian LSTM训练模型根据关键词个数和所属情感倾向进行计算，根据计算结果所属区间，判定情感倾向的满意度级别。

6.根据权利要求3所述的一种基于产品评论分析用户情感倾向的方法，其特征在于，训练Bayesian LSTM训练模型之前，先将训练子集、验证子集、测试集三者分别通过Embedding层转换为固定尺寸的稠密向量，随后利用转换为稠密向量的训练子集训练Bayesian LSTM训练模型，利用转换为稠密向量的验证子集验证Bayesian LSTM训练模型，将转换为稠密向量的测试集输入Bayesian LSTM训练模型，来预测分析产品评论包含的情感倾向。

7.根据权利要求3所述的一种基于产品评论分析用户情感倾向的方法，其特征在于，执行步骤6的过程中，训练子集的全部数据训练Bayesian LSTM训练模型后，即完成一个epoch，此时，用验证子集验证刚完成一个epoch训练的Bayesian LSTM训练模型，将Bayesian LSTM训练模型的分析结果和人为计算结果的相似度记录为验证损失；

随着epoch次数的增加，记录的验证损失先逐渐降低后逐渐上升，至设定次数的epoch后，若记录的验证损失仍然处于上升趋势，训练停止函数及时停止BayesianLSTM训练模型的训练。