[发明专利]基于情感分析的课程分析方法、装置、设备及介质

说明书

本发明涉及人工智能领域，提供一种基于情感分析的课程分析方法、装置、设备及介质，能够对初始数据进行文本清洗，提升了模型的稳健性，使模型的判断更加准确，将待分析数据划分为短文本数据及长文本数据，根据短文本数据的数据量及长文本数据的数据量配置处理线程，结合多进程并发及负载均衡实现了对大量数据处理时的优化，通过对数据进行动态划分，提高了运行效率，对短文本数据及长文本数据执行情感分析，实现对文本有针对性的情感分析，对模型的分类结果进行了优化，进而结合人工智能手段实现对课程的情感分析，且分析结果更加准确可靠。本发明还涉及区块链技术，情感分析结果可存储于区块链。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于情感分析的课程分析方法、装置、设备及介质。

背景技术

自然语言处理(Natural Language Processing，NLP)属于人工智能的一个子领域，是一门融语言学、计算机科学及数学于一体的科学，情感分析技术作为自然语言处理的一个重要分支，充分利用了CNN(Convolutional Neural Networks，卷积神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)等深度学习框架。

在实际应用中，线上学习平台通常会产生大量的用户交互评论数据，对交互数据进行情感分析，能够有助于判断用户对课程的认可度，而传统的数据分析技术无法对评论数据形成有效的分析，因此，需要数据分析师通过肉眼逐条核查，并根据主观意识形成分析结果，不仅需要耗费大量的体力劳动与时间，且无法形成复用框架，分析师陷入了繁重的校对工作，无法投身于更有价值的业务分析。

另外，当采用人工智能的方式对交互数据进行情感分析时，CNN并不适用于对长文本的处理，而传统的LSTM也仅能实现对情感的二分类，在面对大量的待处理数据时，模型的稳定性及处理速度也欠佳。

发明内容

鉴于以上内容，有必要提供一种基于情感分析的课程分析方法、装置、设备及介质，能够通过对数据进行清洗提升模型的稳健性，使模型的判断更加准确，结合多进程并发及负载均衡实现对大量数据处理时的优化，同时，通过对数据进行动态划分，提高了运行效率，并对模型的分类结果进行了优化，进而结合人工智能手段实现对课程的情感分析，且分析结果更加准确可靠。

一种基于情感分析的课程分析方法，所述基于情感分析的课程分析方法包括：

响应于课程分析指令，根据所述课程分析指令确定待分析课程，并获取所述待分析课程对应的初始数据；

对所述初始数据进行文本清洗，得到待分析数据；

检测所述待分析数据中每个数据的文本长度，并根据每个数据的文本长度将所述待分析数据划分为短文本数据及长文本数据；

确定所述短文本数据的数据量及所述长文本数据的数据量，并根据所述短文本数据的数据量为所述短文本数据配置处理线程作为第一处理线程，及根据所述长文本数据的数据量为所述长文本数据配置处理线程作为第二处理线程；

调用所述第一处理线程对所述短文本数据执行第一情感分析，得到第一分析结果，及调用所述第二处理线程对所述长文本数据执行第二情感分析，得到第二分析结果；

根据所述第一分析结果及所述第二分析结果确定所述待分析课程的情感分析结果。

根据本发明优选实施例，所述根据所述课程分析指令确定待分析课程，并获取所述待分析课程对应的初始数据包括：

解析所述课程分析指令的方法体，得到所述课程分析指令所携带的信息；

获取预设标签；

在所述课程分析指令所携带的信息中查找与所述预设标签相同的数据作为所述待分析课程；

连接所述待分析课程对应的服务器，并从所述服务器中获取对所述待分析课程的评价数据作为所述初始数据。