[发明专利]一种基于深度学习的情绪原因识别方法及系统

说明书

本发明提供一种基于深度学习的情绪原因识别方法及系统，首先，将一段文本D中的情绪d_e与这段文本中的任意语句组合构成新的文本数据D_cp；然后用新的文本数据D_cp训练情绪原因识别模型PECR‑BERT，所述的情绪原因识别模型PECR‑BERT包括基于Transformer的双向编码表示器BERT模型和两个全连接神经网络层；最后用训练后的情绪原因识别模型PECR‑BERT识别文本中情绪d_e对应的原因语句d_c。本发明能够有效地识别文本中情绪语句对应的原因语句，这些信息不仅能够为政府提供决策参考，预防公众负面情绪传播，还可以为用户提供更加个性化的服务，提升商品的用户体验，具有很大的价值与研究意义。

技术领域

本发明属于文本情感分析技术领域，特别涉及一种基于深度学习的情绪原因识别方法及系统。

背景技术

文本情感分析主要是通过数据挖掘与自然语言处理等技术，对带有情感色彩的文本数据进行处理和分析，目标是获取文本中所蕴含的情感信息。通常根据文本内容中的情感倾向将文本分为三类：正面、负面或中性，或者更细粒度可划分为各种情绪，例如厌恶、悲痛、愤怒等。文本中的情感信息不仅能够影响他人的选择，还可帮助组织机构了解用户对产品的偏好程度，提升产品的竞争力。

随着网络的普及和用户的增加，互联网中的文本信息变得更加丰富复杂，对于一段情感数据的处理，除了分析数据中所包含的主观情绪外，了解产生这种情绪的原因同样是十分重要的。通过情绪原因识别技术能够准确地捕获情绪产生的原因信息，这些信息在许多应用场景中能够提供有效的帮助，例如为政府提供决策参考，预防公众负面情绪传播，或者为用户提供更加个性化的服务，提升商品的用户体验等。

情绪原因识别能够在给定情绪语句的文本中识别出相应的原因语句。在传统的解决方法中主要是基于规则的方法，通过词性或语法等人工构建的语言规则来识别文本中原因语句。基于规则的方法在特定的应用环境下有很好的效果，但是规则的构建需要耗费大量的人力物力。并且随着应用环境的扩展，需要人工不断扩充各种规则以满足应用的需要，这就会导致规则的一致性难以保持，程序的维护难度不断增加，甚至可能会出现规则互相矛盾的情况，造成整个系统的瘫痪。另外在某个场景下的制定的规则很难适用于另一个场景的需求，不同的应用场景会有不同的语言表达形式和特点，针对不同的场景就需要构建不同的规则，规则的构建需要非常专业的相关领域背景知识，这就导致了基于规则的方法不够灵活，普适性不强，难以得到广泛的应用。随着深度学习算法的兴起，在面对海量的数据时，基于深度学习的情绪原因识别方法相较于传统的方法更有优势，它不需要复杂繁多的人工规则，只需要大量的数据，模型就能够学习情绪语句和原因语句之间的关系，自动识别文本中的与情绪对应的原因语句。综上所述，情绪原因识别方法作为情感分析领域重要的一部分，对于社会、企业、个人等众多场景的应用都具有十分重要的意义。本发明基于深度学习技术与当前自然语言处理领域中最先进的预训练模型，提出了一种基于深度学习的情绪原因识别方法。

发明内容

本发明所要解决的问题是，利用深度学习技术提高识别文本中情绪语句对应原因语句的准确度。

本发明的技术方案提供一种基于深度学习的情绪原因识别方法，首先，将一段文本D中的情绪语句d_e与这段文本中的任意语句组合构成新的文本数据D_cp；然后用新的文本数据D_cp训练情绪原因识别模型PECR-BERT，所述的情绪原因识别模型PECR-BERT包括基于Transformer的双向编码表示器BERT模型和两个全连接神经网络层；最后用训练后的情绪原因识别模型PECR-BERT识别文本中情绪d_e对应的原因语句d_c。

而且，所述将一段文本D中的情绪语句d_e与这段文本中的任意语句组合构成新的文本D_cp，包括对每个文本数据进行以下处理，