[发明专利]一种情感极性强度分类方法、系统、电子设备及介质

说明书

本申请公开了一种情感极性强度分类方法、系统、电子设备及介质，情感极性强度分类方法包括：词典构建步骤：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；机器学习模型构建步骤：对情感极性强度分类模型进行预训练获得机器学习模型后，所述机器学习模型输出情感极性强度概率；情感分析结果计算步骤：通过所述词典获得情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出情感分析结果；情感极性强度确定步骤：根据所述情感分析结果计算出加权投票融合之后的得分结果，通过判断所述得分结果所在的预设情感极性强度区间来确定所述语料最终的情感极性强度。

技术领域

本申请涉及营销智能技术领域，尤其涉及一种情感极性强度分类方法、系统、电子设备及介质。

背景技术

在商业领域，客户投诉是一种很常见的行为，公司出售商品或者服务，客户也会对此发表相应的见解和评论，这些见解和评论大多是以文本的形式存在，表达着人们的态度和情绪。在客诉的场景下，这些情绪可以根据情感极性强度分为高、中、低三个等级，不同的等级对应着不同的处理方式，将这些文本数据进行情感极性分析并统计，在社会和商业领域都具有重要意义。因此现有算法为了提高情感极性准确率，需要复杂计算和大量训练集的支撑，不能及时反映客户情感，这极大影响了客户评论的实时性效力，从而影响情感分析结果的应用价值，不利于快速了解客户的情感走向。

发明内容

本申请实施例提供了一种情感极性强度分类方法、系统、电子设备及介质，以至少通过本发明解决了情感极性强度分类过程中词典构建复杂、情感极性强度分类结果准确率、稳定性以及工作效率低等问题。

本发明提供了情感极性强度分类方法，包括：

词典构建步骤：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；

机器学习模型构建步骤：对情感极性强度分类模型进行预训练获得机器学习模型后，所述机器学习模型输出情感极性强度概率；

情感分析结果计算步骤：通过所述词典获得情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出情感分析结果；

情感极性强度确定步骤：根据所述情感分析结果计算出加权投票融合之后的得分结果，通过判断所述得分结果所在的预设情感极性强度区间来确定所述语料最终的情感极性强度。

上述的情感极性强度分类方法中，所述词典构建步骤包括：

关键词筛选步骤：对标注情感极性强度的所述语料进行分词后，根据TFIDF值初步选出所述语料对应的关键词，通过人工再次筛选所述关键词，获取所述最终关键词；

字典获取步骤：根据所述最终关键词所属的所述语料的情感极性强度，对所述最终关键词进行所述情感极性强度的标注，由所述最终关键词组成所述词典。

上述的情感极性强度分类方法中，所述机器学习模型构建步骤包括，采用BERT预训练模型对所述情感极性强度分类模型进行预训练获得所述机器学习模型后，所述机器学习模型输出所述机器学习模型中所述语料的所述情感极性强度概率。

上述的情感极性强度分类方法中，所述情感分析结果计算步骤包括，对所述词典中的所述最终关键词的所述情感极性强度进行量化获取情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出所述情感分析结果。

本发明还提供情感极性强度分类系统，其中，适用于上述所述的情感极性强度分类方法，所述情感极性强度分类系统包括：

词典构建单元：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；

机器学习模型构建单元：对情感极性强度分类模型进行预训练获得机器学习模型后，所述机器学习模型输出情感极性强度概率；