[发明专利]细粒度情感分析方法、系统、计算机设备和存储介质

权利要求书

1.一种细粒度情感分析方法，其特征在于，包括以下步骤：

向量获取步骤，根据输入的文本数据输入至一共享网络结构层，在所述共享网络结构层中，根据所述文本数据获取字向量、词向量和位置向量，并据此得到该文本数据的向量表示，根据所述向量表示获取特征提取向量和情感向量；

情感概率向量获取步骤，将所述特征提取向量和所述情感向量输入至一非共享网络结构层中，并输出对应方面的情感概率向量；

情感标签获取步骤，根据所述情感概率向量得到最终的情感标签。

2.根据权利要求1所述的细粒度情感分析方法，其特征在于，所述共享网络结构层至少包括Bert层和TextCNN模型，所述向量获取步骤具体包括：

向量表示获取步骤，建立与字典对应的字向量矩阵、词向量矩阵和位置向量矩阵，根据所述文本数据获得对应的字向量、词向量和位置向量，并据此获得该文本数据的向量表示；

特征提取向量获取步骤，将所述向量表示输入至预先训练好的所述Bert模型，获得特征提取向量；

情感向量获取步骤，将所述向量表示输入至所述TextCNN模型，得到所述文本数据对应的情感向量。

3.根据权利要求2所述的细粒度情感分析方法，其特征在于，所述向量表示获取步骤中所述字向量矩阵、所述词向量矩阵和所述位置向量矩阵的参数的初始化是随机的；

通过将所述字向量、所述词向量和所述位置向量拼接得到所述向量表示。

4.根据权利要求2或3所述的细粒度情感分析方法，其特征在于，所述特征提取向量的获取方式包括：

使用已有的数据语料，按照Bert模型的预训练任务训练得到Bert模型，依据所述Bert模型获取，或直接采用开源的Bert模型服务直接获取Bert模型的特征提取向量。

5.根据权利要求1所述的细粒度情感分析方法，其特征在于，所述非共享网络结构层包括多个特征提取器，所述情感概率向量获取步骤进一步包括：

特征提取器设计步骤，根据任务数确定细粒度情感分析的方面数，并设置与所述方面数相同数量的所述特征提取器，所述特征提取器之间结构相同，各所述特征提取器之间的参数独立，所述特征提取器包括注意力机制模型和多层感知机；

特征提取步骤，所述注意力机制模型对所述特征提取向量和所述情感向量进行特征提取，并得到特征向量；

特定维度情感概率向量获取步骤，利用所述多层感知机将所述特征向量调整为任务要求的特定维度的所述情感概率向量。

6.根据权利要求1所述的细粒度情感分析方法，其特征在于，所述情感标签获取步骤进一步包括：

对所述情感概率向量进行argmax函数操作，获得选取情感概率的位置编号，并据此结合预先设立的映射关系得到对应的所述情感标签。

7.一种细粒度情感分析系统，其特征在于，包括：

向量获取模块，根据输入的文本数据输入至一共享网络结构层，在所述共享网络结构层中，根据所述文本数据获取字向量、词向量和位置向量，并据此得到该文本数据的向量表示，根据所述向量表示获取特征提取向量和情感向量；情感概率向量获取模块，将所述特征提取向量和所述情感向量输入至一非共享网络结构层中，并输出对应方面的情感概率向量；

情感标签获取模块，根据所述情感概率向量得到最终的情感标签。

8.根据权利要求7所述的细粒度情感分析系统，其特征在于，所述非共享网络结构层包括多个特征提取器，所述情感概率向量获取模块进一步包括：

特征提取器设计单元，根据任务数确定细粒度情感分析的方面数，并设置与所述方面数相同数量的所述特征提取器，所述特征提取器之间结构相同，各所述特征提取器之间的参数独立，所述特征提取器包括注意力机制模型和多层感知机；

特征提取单元，所述注意力机制模型对所述特征提取向量和所述情感向量进行特征提取，并得到特征向量；

特定维度情感概率向量获取单元，利用所述多层感知机将所述特征向量调整为任务要求的特定维度的所述情感概率向量。