CN107704996A - 一种基于情感分析的教师评价系统 - Google Patents

Abstract

本发明公开了一种基于情感分析的教师评价系统，包含情感数据词典(SDD)、SDD建立与维护模块、信息采集及预处理模块、情感分析模块和教学评价模块；所述情感数据词典(SDD)：基于Robert Plutchnik[1]的情感理论，以8个基本情感及其词语——信任、期待、愉悦、惊奇、伤心、厌恶、恐惧、愤怒，为基础；本发明针对现代学生评论教师的表述特点，以8个基本情感为基础，快速、动态地建立情感数据字典SDD，对异构多源、含有情感符号的大量的短文本，把情感极性与情感强度的计算融合在一起进行情感分析，并通过基本情感的合成，多方面、多方位对教师进行综合性的量化评价。

Description

一种基于情感分析的教师评价系统

技术领域

本发明涉及的是基于人工智能和大数据技术的评价系统技术领域，具体的说是一种基于情感分析的教师评价系统。

背景技术

现有的对教师评价的常用方法是设计结构化的调查问卷，包含一些关键绩效指标(如教学态度、教学成绩等)及其等级划分(如A、B、C、D，或者带有不同权值的分数)，然后加权求和得出量化的评价分数或划分等级。

用计算机和网络技术实现的基于在线问卷的教师评价系统，方便了学生评价和对评价的存储、计算、统计、分析、显示等自动化处理。传统的基于文字描述的教师评价方法，由于评价数量少、内容随意性大，很少运用文本分析技术进行处理。基于在线问卷的方法还在市场调研、满意度调查等领域获得广泛应用。

但基于问卷调查评价教师的方法在有效性方面具有局限性：(1)一次性，每个学生只对教师的整个学期或课程情况在学期或课程结束后评论一次；(2)数据量小，每个学生只对一个教师评论一次；(3)限制性，调查问卷方法的客观性强、时间固定，不便表示特定时间的真实情绪，不能自由表达对教师的真实感受。

发明内容

本发明的目的在于针对现有技术的缺陷和不足，提供一种结构简单，设计合理、使用方便的基于情感分析的教师评价系统，针对现代学生评论教师的表述特点，以8个基本情感为基础，快速、动态地建立情感数据字典SDD，对异构多源、含有情感符号的大量的短文本，把情感极性与情感强度的计算融合在一起进行情感分析，并通过基本情感的合成，多方面、多方位对教师进行综合性的量化评价。

为实现上述目的，本发明采用的技术方案是：

一种基于情感分析的教师评价系统，包含情感数据词典(SDD)、SDD建立与维护模块、信息采集及预处理模块、情感分析模块和教学评价模块；

所述情感数据词典(SDD)：基于Robert Plutchnik[1]的情感理论，以8个基本情感及其词语——信任、期待、愉悦、惊奇、伤心、厌恶、恐惧、愤怒，为基础；这8个基本情感分别表现了相互对立、相互矛盾的正面和负面的、积极和消极的基本观点或倾向，他们表示出不同的情感倾向和情感强度；在一个评论中他们的不同组合会有不同的情感倾向和情感强度；不同组合情感的组合还会产生不同的情感倾向和情感强度；本发明把情感极性与情感强度的计算融合在一起，通过迭代计算，同时得到情感倾向和情感强度；

所述SDD建立与维护模块：基本功能就是建立起本发明的SDD，并且随着情感分析过程中出现的词语和表情符，更改情感极性/强度、新增SDD条目；

所述信息采集及预处理模块：对数据源的信息定期/不定期、实时/批量采集并聚集到信息库，首先是识别出不同的评论者及被评论者，把信息归类、组织、存储，然后对每条评语进修预处理，主要包括：无用符号(如标点符号)删除，图文分离，词语分割、提取以及表情符的识别与提取，最后是为每个被评论的教师建立一个m×n×8的三维信息矩阵SentiMatrix，其中m表示归集到的不同评论者的个数，n表示同一个评论者的评论个数，8表示基本情感；

所述情感分析模块：首先，填写情感矩阵SentiMatrix，它的每一行对应一次/条评语，称为情感向量SV，情感向量SV的每个元素的取值范围是m，m>＝0，在一条评语中，如果一个词语与SDD中的一个词语匹配，或者如果一个表情符号与SDD中的一个表情符号匹配，就在相应的情感列上加1；

所述教学评价模块：根据计算出的情感值，可以把学生对一个教师的评价进行量化。

采用上述结构后，本发明的有益效果为：本发明针对现代学生评论教师的表述特点，以8个基本情感为基础，快速、动态地建立情感数据字典SDD，对异构多源、含有情感符号的大量的短文本，把情感极性与情感强度的计算融合在一起进行情感分析，并通过基本情感的合成，多方面、多方位对教师进行综合性的量化评价。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的结构框架图；

图2是本发明中的一种实施流程。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明。

参看图1所示，本具体实施方式采用以下技术方案：一种基于情感分析的教师评价系统，包含情感数据词典(SDD)、SDD建立与维护模块、信息采集及预处理模块、情感分析模块和教学评价模块。

1、情感数据词典(SDD)：本具体实施方式是基于RobertPlutchnik[1]的情感理论，以8个基本情感及其词语——信任、期待、愉悦、惊奇、伤心、厌恶、恐惧、愤怒，为基础。这8个基本情感分别表现了相互对立、相互矛盾的正面和负面的、积极和消极的基本观点或倾向，他们表示出不同的情感倾向和情感强度。在一个评论中他们的不同组合会有不同的情感倾向和情感强度。不同组合情感的组合还会产生不同的情感倾向和情感强度。本发明把情感极性与情感强度的计算融合在一起，通过迭代计算，同时得到情感倾向和情感强度。

在本具体实施方式的SDD中，我们对每个基本情感所表示的情感极性标签化为正面情感或负面情感，赋予基本量值表示情感强度。SDD基本项的格式和内容如下：

其中正面情绪的情感标签值为1，负面情绪的标签值是-1，情感强度取值分别是α1-α8，取值范围是(0..1]，并且要求α1+α2+α3+α4＝1，α5+α6+α7+α8＝1。

这8个基本情感中的每个都有一些近义词或同义词，如愉悦的同义词有高兴、幸福、快乐、兴奋。通过分类方法把这些词语划分到8个基本词语组成的基本情感中。如词语“高兴”，经过分类方法得出是正面情绪，强度值是α3，这样就在SDD中添加一条：

对于表情符号，则分别建立如下格式的两张表：

2、SDD建立与维护模块：基本功能就是建立起本具体实施方式的SDD，并且随着情感分析过程中出现的词语和表情符，更改情感极性/强度、新增SDD条目。本模块的基本活动：

Step1:SDD初始化，就是为8个基本词语设置情感极性和情感强度，内容如上所示。

Step2:同义词划分，把每个常用词语依照8个基本词语用分类算法sentiClassify归类划分，在SDD中填写情感极性和情感强度。

Step3:表情符号SDD的建立，为每个表情符/图(依据其含义)用分类算法sentiClassify归类划分，在SDD中填写情感极性和情感强度。

分类算法sentiClassify调用相似度算法similar，为一个词语或者表情符号word在8个基本情感中，找到一个最接近的(如果similar大于某个阈值ε)；或者word与情感无关(当similar小于阈值ε)。函数simlilar(w1,w2)对表示词语、符号组合、图型的w1和w2返回[0..1]的相似度值。分类算法sentiClassify的描述如下：

基本情感分类算法sentiClassify

返回attribute和value；

在本方法的实施过程，可以随时调用分类算法sentiClassify，调整SDD。

3、信息采集及预处理模块：对数据源的信息定期/不定期、实时/批量采集并聚集到信息库，首先是识别出不同的评论者及被评论者，把信息归类、组织、存储，然后对每条评语进修预处理，主要包括：无用符号(如标点符号)删除，图文分离，词语分割、提取以及表情符的识别与提取，最后是为每个被评论的教师建立一个m×n×8的三维信息矩阵SentiMatrix，其中m表示归集到的不同评论者的个数，n表示同一个评论者的评论个数，8表示基本情感。

4、情感分析模块：

首先，填写情感矩阵SentiMatrix，它的每一行对应一次/条评语，称为情感向量SV：

信任

期待

愉悦

惊奇

伤心

厌恶

恐惧

愤怒

情感向量SV的每个元素的取值范围是m，m>＝0。在一条评语中，如果一个词语与SDD中的一个词语匹配，或者如果一个表情符号与SDD中的一个表情符号匹配，就在相应的情感列上加1。

在一次评论中，学生可能使用多个基本情感的词语/符号表达出复杂的、多种基本情绪。每个基本情感、出现的频度对整个评论的情感作用不同。本发明用评论中所有基本情感的加权平均值来量化整个评论的情感值(情感倾向及情感强度，公式1)，式子中的j表示一条评论。每个学生可以在一个学期甚至更长的时间对一个教师点评\跟帖，每次的情感表现可能不同，一个学生对一个教师的所有评论的情感均值表示该生对一个教师的情感值(公式2)，式子中的i表示某个学生，该生对某个教师t共有m个评论。同样，不同的学生对同一个教师的点评会不同，所有学生对同一个教师的情感值的均值就是该教师的情感值(公式3)，式子中的s表示一个学生对一个教师的评论，共有n个学生对同一个教师t发表了评论。为了均衡某个学生对不同教师喜好性的影响，可以计算出每一个学生的评论系数(公式4)，式子中的i表示一个学生对每个教师的评论，该生对r个教师写了评论。用所有学生对同一个教师的情感值的加权均值作为该教师的情感值(公式5)。最后，用所有学生对所有教师的情感均值作为对一个学校的情感值(公式6)。

对于一篇评论，情感值是情感向量SV(j)(SentiMatrix的一行)、情感倾向系数SI和情感权重数组SW的乘积，再除以情感向量SV中基本情感词语出现的最大频率。

为便于灵活地实施，本具体实施方式提供了两个数组，情感倾向系数SI和情感权重数组SW，两个数组的元素个数都是8，对应了8个基本情感词语。SI取SDD中8个基本词语的情感极性，SW由这8个基本词语的情感强度组成。

实施者可以根据实践，分析大量数据，调整情感权重，或者调整情感指数的大小。例如，如下分析得到的一次评论的情感记录，

	信任	期待	愉悦	惊奇	伤心	厌恶	恐惧	愤怒
									SV	1	3	0	1	0	0	0	1
SI	1	1	1	1	-1	-1	-1	-1
									SW	0.3	0.25	0.3	0.15	0.2	0.3	0.2	0.3

该评语的情感值＝(0.3+0.75+0.15-0.30/3＝0.3，表示是一个喜悦的评语。

max是所有学生中评论最多的教师数(公式6)

5.教学评价模块。根据计算出的情感值Sentiment，可以把学生对一个教师的评价进行量化：如果Sentiment＞0则表示学生对教师满意，否则就是不满意，Sentiment的大小表示满意或不满意的强度，它的取值范围是[-1..1]。

参看图2，为本具体实施方式的一个实施流程。第一步是建立和维护情感数据字典SDD(1)，首先为8个基本情感词语设置情感倾向值和情感强度值，然后运用分类算法为常用词语依据与基本词语的相似程度进行归类划分，设置情感值，同时为表情符号组合、QQ/微信等表情图设置情感值：根据每个符号表情的含义(词语)，运用分类算法划分到相应的基本情感中。在实施时要根据Unicode的标准对同一个emoji的不同应用的实现(微笑的QQ经典QQ超清版微信)，iOS、Android、Windows等不同操作系统的实现等，建立符号表情SDD。只需对其中一部分常用的表情图建立SDD。

第二步是信息采集与预处理阶段(2)，汇聚不同信息源的各种评论信息，识别出每一篇/条评论的评论者和被评论者，建立包含评论者和被评论者的人员记录以及评论信息的情感信息库，方便找到一个评论者的对同一个评论者的所有评论。然后，清理数据：消除标点符号、空行等无用符号，分离出评论中的文字和符号表情(如:)、微信表情图、QQ表情图、微博表情图、其它)。按照被评论者归集信息，建立一个三维的SentiMatrix：每个学生对同一个教师的所有评论是一个二维矩阵，每个评论是一个一维数组，称为情感向量SV。情感分析阶段，填写情感向量SV，即SentiMatrix的一行。

在文本分析与词语匹配(3)阶段，要对文本进行语义分析，识别出句子、短语和词语，然后对每个词语word在SDD中检索，如果找到匹配的条目，就在情感向量SV的匹配位置上加1，否则根据8个基本情感计算word的相似度similar(word)，根据该值修改情感向量SV的值。在表情符识别与匹配(4)阶段，对预处理中得到的每个表情符emoji在SDD的表情符词典中进行图像识别/符号识别，如果匹配，就在情感向量SV的匹配位置上加1，否则对表情符emoji计算图符相似度similar(emoji)，根据该值修改情感向量SV的值。在上面两个阶段，有可能根据文字或表情符的匹配与相似度计算调整SDD(5)。接下来就是通过综合计算情感值而分析情感倾向和情感强度(6)，主要计算依据就是公式1-公式6，从每条评语计算每个学生的情感值，逐步计算得出所有学生对一个教师的情感值，核心算法sentimentCalculate如下：

情感分析算法sentimentCalculate

可以修改算法sentimentCalculate，依据公式5计算一个教师的情感值，其中需要依据公式4计算每个学生的评论情感系数。

基于算法sentimentCalculate，根据公式6，可以计算学生对一个学校所有教师的情感值。

最后一步就是根据计算得到的情感倾向和情感强度，对教师进行评价(7)。有两种评价方式。方式1：两值评价，学生对教师满意或不满意，方式2：等级评价，学生对教师满意的程度，划分等级，如：

Sentiment取值范围	-1.0..-0.4	-0.5..0.1	0.2..0.6	0.7..1.0
					评价	非常不满	不满	满意	非常满意

评价范围：情感分析的结果可以对一个教师评价，也可以对一个学校的所有教师的综合评价，可以看作是对学校的评价。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种基于情感分析的教师评价系统，其特征在于：包含情感数据词典(SDD)、SDD建立与维护模块、信息采集及预处理模块、情感分析模块和教学评价模块；

所述情感数据词典(SDD)：基于Robert Plutchnik[1]的情感理论，以8个基本情感及其词语——信任、期待、愉悦、惊奇、伤心、厌恶、恐惧、愤怒，为基础；这8个基本情感分别表现了相互对立、相互矛盾的正面和负面的、积极和消极的基本观点或倾向，他们表示出不同的情感倾向和情感强度；在一个评论中他们的不同组合会有不同的情感倾向和情感强度；不同组合情感的组合还会产生不同的情感倾向和情感强度；本发明把情感极性与情感强度的计算融合在一起，通过迭代计算，同时得到情感倾向和情感强度；

所述SDD建立与维护模块：基本功能就是建立起本发明的SDD，把词语、表情符号划分到8个基本情感的分类方法，并且随着情感分析过程中出现的词语和表情符，更改情感极性/强度、新增SDD条目；

所述信息采集及预处理模块：对数据源的信息定期/不定期、实时/批量采集并聚集到信息库，首先是识别出不同的评论者及被评论者，把信息归类、组织、存储，然后对每条评语进修预处理，主要包括：无用符号(如标点符号)删除，图文分离，词语分割、提取以及表情符的识别与提取，最后是为每个被评论的教师建立一个m×n×8的三维信息矩阵SentiMatrix，其中m表示归集到的不同评论者的个数，n表示同一个评论者的评论个数，8表示基本情感；

所述情感分析模块：首先，填写情感矩阵SentiMatrix，它的每一行对应一次/条评语，称为情感向量SV，情感向量SV的每个元素的取值范围是m，m>＝0，在一条评语中，如果一个词语与SDD中的一个词语匹配，或者如果一个表情符号与SDD中的一个表情符号匹配，就在相应的情感列上加1,根据情感数据字典SDD、多种类型教师评价的情感分析方法sentimentCalculate；

所述教学评价模块：根据计算出的情感值，可以把学生对一个教师的评价进行量化。