[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

说明书

本申请涉及一种细粒度情感分析方法、系统、计算机设备和存储介质，其中，该细粒度情感分析方法包括：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，在共享网络结构层中，根据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，将特征提取向量和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，根据情感概率向量得到最终的情感标签。通过基于自注意力机制的Bert模型获取的语义信息以及通过对整个文本序列进行特征提取得到句子级别的文本特征，增强网络结构对方面情感方向的识别能力。

技术领域

本申请涉及自然语言处理中的文本情感分析技术领域，特别是涉及细粒度情感分析方法、系统、计算机设备和存储介质。

背景技术

目前互联网上的文本评论(包括社交评论、新闻评论、商品评价等等)都具有学术价值和商业价值，可以对评论或评价进行情感分析，识别对应用户对某事件或商品等的意见情感态度，例如，社交平台、新闻门户可以利用情感分析后的信息对用户有针对性的营销和推送；电商平台可以利用情感分析技术对商品的各方面的属性进行分析，得出消费者们的评价，既节省其他消费者浏览时间，也可以对商品的评价进行精细化的标签展示，而不是简单的好评中评差评。

目前情感分析按照任务关注对象的粒度可以分为粗粒度和细粒度两类，其中粗粒度的任务关注对象是文档级和句子级，细粒度的任务关注对象是方面(Aspect)级，其中方面可以是一个词，也可以是多个词组成。

但是目前的细粒度情感分析存在以下问题，基于词典的情感分类方法主要是计算情感词和属性词之间的距离，并考虑否定词和转折词的影响，其是基于规则的方法，对文本的深度语义挖掘的不够；基于监督学习的情感分类方法主要是利用文本向量化表示和深度学习的网络，其针对文本的字词信息特征，对文本的整体特征的利用不足，上述问题均会导致情感分类准确率降低。

目前针对相关技术中情感分类准确率低，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种细粒度情感分析方法、系统、计算机设备和存储介质，通过将句子级别的特征和语义信息用于方面级情感分析中，以至少解决相关技术中情感分类准确率低的问题。

第一方面，本申请实施例提供了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，在共享网络结构层中，根据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，将特征提取向量和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，根据情感概率向量得到最终的情感标签。

在其中一些实施例中，共享网络结构层至少包括Bert层和TextCNN模型，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，将向量表示输入至预先训练好的Bert模型，获得特征提取向量；

情感向量获取步骤，将向量表示输入至TextCNN模型，得到文本数据对应的情感向量。

在其中一些实施例中，向量表示获取步骤中字向量矩阵、词向量矩阵和位置向量矩阵的参数的初始化是随机的；

通过将字向量、词向量和位置向量拼接得到向量表示。

在其中一些实施例中，特征提取向量的获取方式包括：