[发明专利]基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法

权利要求书

1.一种基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法，其特征在于，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：文本预处理；

步骤C：为所述原始数据集打上四元组标签；所述四元组标签为（评价对象，主题，评价短语，情感倾向）；

步骤D：将联合抽取四元组任务转化联合抽取三元组任务，并映射为实体关系联合抽取任务；所述步骤D包括以下子步骤：

步骤D1：将基于Target-Aspect-Opinion联合抽取的情感分析问题记作TAOBSA任务；

步骤D2：将四元组记作TAOBSA任务抽取得到的结果；

步骤D3：TAOBSA任务中Target和Opinion为关键词抽取任务，Aspect和Sentiment为分类任务，联合抽取四元组U，将两个分类任务Aspect和Sentiment合并为一个分类任务，并用表示；

步骤D4：将四元组U映射为三元组，U中的Target映射为主实体Target，U中的Opinion映射为客实体Opinion，将两个分类任务Aspect和Sentiment合并为一个分类任务TOR映射为中的TOR，从而将TAOBSA任务的四元组抽取任务U转化成三元组的抽取；

步骤E：构建基于Target-Aspect-Opinion的情感分析模型，并训练得到最终模型。

2.如权利要求1所述的一种基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法，其特征在于，步骤B中所述文本预处理包括：

步骤B1：探查分析数据集中的过短文本，删除过短评论；

步骤B2：去除情感句中冗余的标点符号；

步骤B3：统计数据集中的领域短语及中英文不一致表达，基于官方领域词典，归一化为标准表达；

步骤B4：统计分析数据集中的错别字表达，归一化为正确表达。

3.如权利要求1所述的一种基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法，其特征在于，步骤C中为数据标注阶段，统一对经过步骤B预处理之后的数据集进行四元组标注，所述数据标注的具体步骤包括：

步骤C1：基于情感句标注所有存在的Aspect和当前Aspect对应的Sentiment；

步骤C2：基于Aspect和Sentiment标注对应的Target和Opinion，若不存在，则标记为空；

步骤C3：获得标注完成后的数据结构。

4.如权利要求1所述的一种基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法，步骤E为构建基于Target-Aspect-Opinion联合抽取的情感分析模型阶段，其特征在于，步骤E包括：

步骤E1：TAOBSAN情感分析模型的输入部分将步骤B预处理得到的数据集作为TAOBSAN的输入，输入数据经过BERT中N层Transformer机制的字向量方法表示，学习每个字的上下文特征，构建输入序列的字向量表示为集合；

步骤E2：构建TAOBSAN模型的两个隐藏层，用于学习情感句的上下文信息，首先，构建第一层隐藏层用于学习评价对象Target的上下文特征，将文本向量化集合输入BiLSTM中学习评价对象Target的上下文特征集合，并输出Target的特征序列，构建第二层隐藏层用于学习评价短语Opinion的上下文特征，输出学习TOR和Opinion的特征序列；

步骤E3：构建TAOBSAN模型的预测层，预测层包括二阶段预测，第一阶段预测层输入来自第一层隐藏层所输出的Target特征序列，预测评价对象Target，并将预测信息向量化后送入第二层隐藏层，第二阶段预测层输入来自第二层隐藏层，预测评价短语Opinion、主题Aspect和情感值Sentiment；

步骤E4：构建TAOBSAN模型的输出层，输出情感句中的所有预测序列，表达公式为：；

其中，Res为TAOBSAN模型预测得到的输出结果，Tk表示当前情感句第k个输出结果的Target，Wk表示当前情感句第k个输出结果对应的Opinion，Rk表示当前情感句第k个输出结果中Target和Opinion对应的关系；其中，len为Res的长度。