CN107832305A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：根据目标关键词获取待分析信息；将待分析信息输入预先建立的情感分析模型，生成待分析信息的情感倾向信息，情感分析模型是通过以下训练步骤得到的：获取无标签样本数据和有标签样本数据；使用预先建立的标签生成模型生成无标签样本数据对应的标签信息，将无标签样本数据和生成的标签信息作为扩展样本数据，标签生成模型用于表征无标签样本数据与标签信息之间的对应关系；使用有标签样本数据和扩展样本数据训练得到情感分析模型。该实施方式自动生成扩展样本数据，扩大了样本集数据，减少了人工标注的成本，提高了情感分析模型生成的信息准确性。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

文本情感分析(也称为意见挖掘)是指用自然语言处理，文本挖掘以及计算机语言学等方法来识别和提取原素材中的主观信息。在一些场景下(例如民调监测、舆情监测、趋势预警等等)需要监测基于目标关键词所获取数据(例如微博数据、新闻数据、贴吧数据等等)的情感倾向，主要分为正面、中性和负面。现阶段，可以基于有监督的学习方法建立情感分析模型，按照有监督的学习方法需要对大量数据进行标注，使得情感词、句式等尽可能的分布广，从而使得训练效果更佳，但是对大量数据进行标注需要消费大量的人力和物力。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，包括：根据目标关键词获取待分析信息；将上述待分析信息输入预先建立的情感分析模型，生成上述待分析信息的情感倾向信息，上述情感分析模型是通过以下训练步骤得到的：获取无标签样本数据和有标签样本数据；使用预先建立的标签生成模型生成上述无标签样本数据对应的标签信息，将上述无标签样本数据和生成的标签信息作为扩展样本数据，其中，上述标签信息包括第一标签、第二标签和第三标签，其中，上述标签生成模型用于表征无标签样本数据与标签信息之间的对应关系；使用上述有标签样本数据和上述扩展样本数据训练得到上述情感分析模型。

在一些实施例中，上述标签生成模型包括第一标签生成模型、第二标签生成模型和第三标签生成模型；以及上述使用预先建立的标签生成模型生成上述无标签样本数据对应的标签信息，包括：响应于确定上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型中的至少两个标签生成模型针对上述无标签样本数据生成的标签信息相同，将上述至少两个标签生成模型针对上述无标签样本数据生成的标签信息作为上述无标签数据的标签信息。

在一些实施例中，上述方法还包括训练上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型的步骤，包括：对上述有标签样本数据中的文本信息进行分词处理，得到至少一个分词，其中，上述有标签样本数据包括文本信息和与上述文本信息对应的标签信息；根据上述至少一个分词得到第一词语集合，将上述第一词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第一标签生成模型；从上述至少一个分词中提取情感词组成第二词语集合，将上述第二词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第二标签生成模型；从上述至少一个分词中提取非情感词组成第三词语集合，将上述第三词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第三标签生成模型。

在一些实施例中，上述方法还包括：使用上述扩展样本数据更新上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型。

在一些实施例中，上述情感分析模型为深度神经网络；以及使用上述有标签样本数据和上述扩展样本数据训练得到上述情感分析模型，包括：将上述有标签样本数据中的文本信息作为输入样本，将与上述文本信息对应的标签信息作为输出样本，其中，上述有标签样本数据包括文本信息和与上述文本信息对应的标签信息；将上述扩展样本数据中的无标签样本数据作为输入样本，将生成的、与上述无标签样本数据对应的标签信息作为输出样本；使用输入样本和输出样本训练初始深度神经网络，得情感分析模型。

在一些实施例中，上述使用输入样本和输出样本训练初始深度神经网络，得到上述情感分析模型，包括：使用预先设定的测试数据集合中的测试数据对得到的情感分析模型进行性能评估；根据性能评估结果确定得到的情感分析模型是否为最终情感分析模型。

第二方面，本申请实施例提供了一种用于生成信息的装置，包括：获取单元，用于根据目标关键词获取待分析信息；生成单元，用于将上述待分析信息输入预先建立的情感分析模型，生成上述待分析信息的情感倾向信息，其中，上述生成单元包括：数据获取单元，用于获取无标签样本数据和有标签样本数据；标签信息生成单元，用于使用预先建立的标签生成模型生成上述无标签样本数据对应的标签信息，将上述无标签样本数据和生成的标签信息作为扩展样本数据，其中，上述标签信息包括第一标签、第二标签和第三标签，其中，上述标签生成模型用于表征无标签样本数据与标签信息之间的对应关系；训练单元，用于使用上述有标签样本数据和上述扩展样本数据训练得到上述情感分析模型。

在一些实施例中，上述标签生成模型包括第一标签生成模型、第二标签生成模型和第三标签生成模型；以及上述标签信息生成单元进一步用于：响应于确定上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型中的至少两个标签生成模型针对上述无标签样本数据生成的标签信息相同，将上述至少两个标签生成模型针对上述无标签样本数据生成的标签信息作为上述无标签数据的标签信息。

在一些实施例中，上述装置还包括标签生成模型训练单元，上述标签生成模型训练单元用于：对上述有标签样本数据中的文本信息进行分词处理，得到至少一个分词，其中，上述有标签样本数据包括文本信息和与上述文本信息对应的标签信息；根据上述至少一个分词得到第一词语集合，将上述第一词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第一标签生成模型；从上述至少一个分词中提取情感词组成第二词语集合，将上述第二词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第二标签生成模型；从上述至少一个分词中提取非情感词组成第三词语集合，将上述第三词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第三标签生成模型。

在一些实施例中，上述装置还包括：更新单元，用于使用上述扩展样本数据更新上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型。

在一些实施例中，上述情感分析模型为深度神经网络；以及上述训练单元包括：第一输入输出确定单元，用于将上述有标签样本数据中的文本信息作为输入样本，将与上述文本信息对应的标签信息作为输出样本，其中，上述有标签样本数据包括文本信息和与上述文本信息对应的标签信息；第二输入输出确定单元，用于将上述扩展样本数据中的无标签样本数据作为输入样本，将生成的、与上述无标签样本数据对应的标签信息作为输出样本；模型训练单元，用于使用输入样本和输出样本训练初始深度神经网络，得情感分析模型。

在一些实施例中，上述模型训练单元进一步用于：使用预先设定的测试数据集合中的测试数据对得到的情感分析模型进行性能评估；根据性能评估结果确定得到的情感分析模型是否为最终情感分析模型。

第三方面，本申请实施例提供了一种终端，该终端包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，首先根据目标关键词获取待分析信息，然后将待分析信息输入情感分析模型，生成待分析信息的情感倾向信息，其中，情感分析模型通过以下步骤得到：获取无标签样本数据和有标签样本数据，而后使用标签生成模型生成无标签样本数据对应的标签信息，并将无标签样本数据和生成的标签信息作为扩展样本数据，最后使用有标签样本数据和扩展样本数据训练得到情感分析模型，从而自动生成扩展样本数据，扩大了样本集数据，减少了人工标注的成本，提高了情感分析模型生成的信息准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且能够进行信息处理的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103获取的信息提供支持的后台服务器。后台服务器可以对接收到的目标关键词等数据进行分析等处理，并将处理结果(例如抓取的与目标关键词相关的信息)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由终端设备101、102、103执行，相应地，用于生成信息的装置一般设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，根据目标关键词获取待分析信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以根据目标关键词获取待分析信息，例如，上述电子设备可以根据目标关键词从预先设定的待分析信息集合中获取待分析信息，又例如，上述电子设备可以根据目标关键词从服务器获取待分析信息。作为示例，上述电子设备可以将目标关键词发送到服务器，服务器可以根据接收到的上述目标关键词从互联网抓取与上述目标关键词相关的信息，并将抓取的信息发送到上述电子设备，上述电子设备可以将服务器抓取的信息作为待分析信息。

步骤202，将待分析信息输入预先建立的情感分析模型，生成待分析信息的情感倾向信息。

在本实施例中，上述电子设备可以将上述待分析信息输入预先建立的情感分析模型，生成上述待分析信息的情感倾向信息。在这里，上述情感分析模型可以用于表征待分析信息与情感倾向信息之间的对应关系。上述情感倾向信息可以用于表示上述待分析信息所表达内容的情感倾向，例如，上述情感倾向信息可以是正面/支持、中性/中立、负面/反对等等。

在这里，上述情感分析模型可以是上述电子设备或者其他用于训练上述情感分析模型的电子设备通过以下训练步骤得到的：

首先，可以获取无标签样本数据和有标签样本数据，例如，可以从预先设定的无标签样本数据集合中获取无标签样本数据，作为示例，上述无标签样本数据可以是一段文本信息，又例如，可以从预先设定的有标签样本数据集合中获取有标签样本数据，作为示例，上述有标签样本数据可以包括一段文本信息，和与该文本信息对应的标签信息，该标签信息可以用于标识该文本信息的情感倾向，例如，情感倾向可以是正面、中性、负面等等。

之后，可以使用预先建立的标签生成模型生成上述无标签样本数据对应的标签信息，并可以将上述无标签样本数据和生成的标签信息作为扩展样本数据，其中，上述标签信息可以包括第一标签、第二标签和第三标签，作为示例，上述第一标签可以为数字“1”，表示上述无标签样本数据为表示正面/支持的信息，上述第二标签可以为数字“0”，表示上述无标签样本数据为表示中性/中立的信息，上述第三标签可以为数字“-1”，表示上述无标签样本数据为表示负面/反对的信息。上述标签生成模型可以用于表征无标签样本数据与标签信息之间的对应关系，作为示例，上述标签生成模型可以是技术人员基于对大量的无标签样本数据和标签信息的统计而预先制定的、存储有多个无标签样本数据和标签信息的对应关系的对应关系表。

最后，使用上述有标签样本数据和上述扩展样本数据训练得到上述情感分析模型。

在本实施例的一些可选的实现方式中，上述标签生成模型可以包括第一标签生成模型、第二标签生成模型和第三标签生成模型；以及上述使用预先建立的标签生成模型生成上述无标签样本数据对应的标签信息，可以具体包括：响应于确定上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型中的至少两个标签生成模型针对上述无标签样本数据生成的标签信息相同，可以将上述至少两个标签生成模型针对上述无标签样本数据生成的标签信息作为上述无标签数据的标签信息。

在一些可选的实现方式中，上述用于生成信息的方法还可以包括训练上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型的步骤，具体可以包括：

首先，可以对上述有标签样本数据中的文本信息进行分词处理，得到至少一个分词，其中，上述有标签样本数据可以包括文本信息和与上述文本信息对应的标签信息，上述标签信息可以包括第一标签、第二标签和第三标签。

之后，可以根据上述至少一个分词得到第一词语集合，将上述第一词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第一标签生成模型。作为示例，可以将上述至少一个分词中的所有分词作为上述第一词语集合中的词语，并通过词袋模型(Bag-of-words model，BoW模型)得到第一词语集合的特征向量。词袋模型忽略掉文本的语法和语序等要素，将其仅仅看作是若干个词汇的集合，文档中每个单词的出现都是独立的。词袋模型可以使用一组无序的单词(words)来表达一段文字或一个文档，例如，有两个简单的文本文档如下：“小明喜欢看电影，小红也喜欢”，“小刚也喜欢看足球比赛”，对上述两个文本文档进行分词可以分别得到如下分词“小明、喜欢、看、电影、小红、也、喜欢”、“小刚、也、喜欢、看、足球、比赛”，基于上述两个文档可以构建一个词典{小明：1，喜欢：2，看：3，电影：4，小红：5，也：6，小刚：7，足球：8，比赛：9}，上述词典中可以包含9个词语，每个词语有唯一的索引，那个上述两个文本文档都可以用一个9维的向量来表示。如下[1,2,1,1,1,1,0,0,0]、[0,1,1,0,0,0,1,1,1]，上述向量与原来文本中词语出现的顺序没有关系，而是词典中每个词语在文本中出现的频率。在这里，上述初始文本分类器可以是通过各种方式得到的文本分类器，例如，基于现有的文本分类算法(例如FastText)，随机生成该文本分类器的网络参数，得到的文本分类器。需要说明的是，上述第一标签生成模型的训练过程仅仅用于说明第一标签生成模型参数的调整过程，可以认为初始文本分类器为参数调整前的模型，第一标签生成模型为参数调整后的模型，模型参数的调整过程并不仅限于一次，可以根据模型的优化程度以及实际需要等重复多次。

然后，可以从上述至少一个分词中提取情感词组成第二词语集合，并可以将上述第二词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第二标签生成模型，作为示例，可以将上述至少一个分词中的各个分词与预先建立的情感词典中的情感词进行匹配，根据匹配结果提取上述至少一个分词中的情感词组成第二词语集合。作为示例，可以通过词袋模型生成第二词语集合对应的特征向量。在这里，上述初始文本分类器可以是通过各种方式得到的文本分类器。

最后，可以从至少一个分词中提取非情感词组成第三词语集合，并可以将上述第三词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第三标签生成模型，作为示例，可以将上述至少一个分词中的各个分词与预先建立的非情感词典中的非情感词进行匹配，根据匹配结果提取上述至少一个分词中的非情感词组成第三词语集合。作为示例，可以通过词袋模型生成第三词语集合对应的特征向量。在这里，上述初始文本分类器可以是通过各种方式得到的文本分类器。

可选的，上述用于生成信息的方法还可以包括：使用上述扩展样本数据更新上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型。

在本实施例的一些可选的实现方式中，上述情感分析模型可以为深度神经网络；以及上述使用上述有标签样本数据和上述扩展样本数据训练得到上述情感分析模型(DeepNeural Network，DNN)，可以具体包括：首先，可以将上述有标签样本数据中的文本信息作为输入样本，将与上述文本信息对应的标签信息作为输出样本，其中，上述有标签样本数据可以包括文本信息和与上述文本信息对应的标签信息；然后，可以将上述扩展样本数据中的无标签样本数据作为输入样本，将生成的、与上述无标签样本数据对应的标签信息作为输出样本；最后，可以使用输入样本和输出样本训练初始深度神经网络，得情感分析模型。在这里，上述初始深度神经网络可以通过各种方式得到的，例如，随机生成深度神经网络算法的网络参数，得到的深度神经网络。需要说明的是，上述情感分析模型的训练过程仅仅用于说明情感分析模型参数的调整过程，可以认为初始深度神经网络为参数调整前的模型，情感分析模型为参数调整后的模型，模型参数的调整过程并不仅限于一次，可以根据模型的优化程度以及实际需要等重复多次。

在一些可选的实现方式中，上述使用输入样本和输出样本训练初始深度神经网络，得到上述情感分析模型，可以具体包括：首先，可以使用预先设定的测试数据集合中的测试数据对得到的情感分析模型进行性能评估；然后，根据性能评估结果确定得到的情感分析模型是否为最终情感分析模型。作为示例，可以根据情感分析模型在测试数据集合上的测试准确率、召回率以及F1值等指标确定情感分析模型是否需要继续训练。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，首先通过目标关键词获取待分析信息；之后，将待分析信息输入预先建立的情感分析模型301，生成上述待分析信息的情感倾向信息，其中，上述情感分析模型是通过以下步骤得到的：获取无标签样本数据和有标签样本数据，而后使用标签生成模型生成无标签样本数据对应的标签信息，并将无标签样本数据和生成的标签信息作为扩展样本数据，最后使用有标签样本数据和扩展样本数据训练得到情感分析模型。

本申请的上述实施例提供的方法通过自动生成扩展样本数据，扩大了样本集数据，减少了人工标注的成本，提高了情感分析模型生成的信息准确性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于生成信息的装置400包括：获取单元401和生成单元402，其中，生成单元402包括：数据获取单元4021、标签信息生成单元4022和训练单元4023。其中，获取单元401用于根据目标关键词获取待分析信息；生成单元402用于将上述待分析信息输入预先建立的情感分析模型，生成上述待分析信息的情感倾向信息；数据获取单元4021用于获取无标签样本数据和有标签样本数据；标签信息生成单元4022用于使用预先建立的标签生成模型生成上述无标签样本数据对应的标签信息，将上述无标签样本数据和生成的标签信息作为扩展样本数据，其中，上述标签信息包括第一标签、第二标签和第三标签，其中，上述标签生成模型用于表征无标签样本数据与标签信息之间的对应关系；训练单元4023用于使用上述有标签样本数据和上述扩展样本数据训练得到上述情感分析模型。

在本实施例中，用于生成信息的装置400的获取单元401、生成单元402、数据获取单元4021、标签信息生成单元4022和训练单元4023的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201和步骤202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述标签生成模型可以包括第一标签生成模型、第二标签生成模型和第三标签生成模型；以及上述标签信息生成单元可以进一步用于：响应于确定上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型中的至少两个标签生成模型针对上述无标签样本数据生成的标签信息相同，将上述至少两个标签生成模型针对上述无标签样本数据生成的标签信息作为上述无标签数据的标签信息。

在本实施例的一些可选的实现方式中，上述装置还可以包括标签生成模型训练单元(图中未示出)，上述标签生成模型训练单元用于：对上述有标签样本数据中的文本信息进行分词处理，得到至少一个分词，其中，上述有标签样本数据包括文本信息和与上述文本信息对应的标签信息；根据上述至少一个分词得到第一词语集合，将上述第一词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第一标签生成模型；从上述至少一个分词中提取情感词组成第二词语集合，将上述第二词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第二标签生成模型；从上述至少一个分词中提取非情感词组成第三词语集合，将上述第三词语集合对应的特征向量作为输入，将与上述文本信息对应的标签信息作为输出，训练初始文本分类器，得到上述第三标签生成模型。

在本实施例的一些可选的实现方式中，上述装置400还可以包括：更新单元(图中未示出)，用于使用上述扩展样本数据更新上述第一标签生成模型、上述第二标签生成模型和上述第三标签生成模型。

在本实施例的一些可选的实现方式中，上述情感分析模型为深度神经网络；以及上述训练单元4023可以包括：第一输入输出确定单元(图中未示出)，用于将上述有标签样本数据中的文本信息作为输入样本，将与上述文本信息对应的标签信息作为输出样本，其中，上述有标签样本数据包括文本信息和与上述文本信息对应的标签信息；第二输入输出确定单元(图中未示出)，用于将上述扩展样本数据中的无标签样本数据作为输入样本，将生成的、与上述无标签样本数据对应的标签信息作为输出样本；模型训练单元(图中未示出)，用于使用输入样本和输出样本训练初始深度神经网络，得情感分析模型。

在本实施例的一些可选的实现方式中，上述模型训练单元可以进一步用于：使用预先设定的测试数据集合中的测试数据对得到的情感分析模型进行性能评估；根据性能评估结果确定得到的情感分析模型是否为最终情感分析模型。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、生成单元、数据获取单元、标签信息生成单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“根据目标关键词获取待分析信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：根据目标关键词获取待分析信息；将上述待分析信息输入预先建立的情感分析模型，生成上述待分析信息的情感倾向信息，上述情感分析模型是通过以下训练步骤得到的：获取无标签样本数据和有标签样本数据；使用预先建立的标签生成模型生成上述无标签样本数据对应的标签信息，将上述无标签样本数据和生成的标签信息作为扩展样本数据，其中，上述标签信息包括第一标签、第二标签和第三标签，其中，上述标签生成模型用于表征无标签样本数据与标签信息之间的对应关系；使用上述有标签样本数据和上述扩展样本数据训练得到上述情感分析模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于生成信息的方法，包括：

根据目标关键词获取待分析信息；

将所述待分析信息输入预先建立的情感分析模型，生成所述待分析信息的情感倾向信息，所述情感分析模型是通过以下训练步骤得到的：

获取无标签样本数据和有标签样本数据；

使用预先建立的标签生成模型生成所述无标签样本数据对应的标签信息，将所述无标签样本数据和生成的标签信息作为扩展样本数据，其中，所述标签信息包括第一标签、第二标签和第三标签，其中，所述标签生成模型用于表征无标签样本数据与标签信息之间的对应关系；

使用所述有标签样本数据和所述扩展样本数据训练得到所述情感分析模型。

2.根据权利要求1所述的方法，其中，所述标签生成模型包括第一标签生成模型、第二标签生成模型和第三标签生成模型；以及

所述使用预先建立的标签生成模型生成所述无标签样本数据对应的标签信息，包括：

响应于确定所述第一标签生成模型、所述第二标签生成模型和所述第三标签生成模型中的至少两个标签生成模型针对所述无标签样本数据生成的标签信息相同，将所述至少两个标签生成模型针对所述无标签样本数据生成的标签信息作为所述无标签数据的标签信息。

3.根据权利要求2所述的方法，其中，所述方法还包括训练所述第一标签生成模型、所述第二标签生成模型和所述第三标签生成模型的步骤，包括：

对所述有标签样本数据中的文本信息进行分词处理，得到至少一个分词，其中，所述有标签样本数据包括文本信息和与所述文本信息对应的标签信息；

根据所述至少一个分词得到第一词语集合，将所述第一词语集合对应的特征向量作为输入，将与所述文本信息对应的标签信息作为输出，训练初始文本分类器，得到所述第一标签生成模型；

从所述至少一个分词中提取情感词组成第二词语集合，将所述第二词语集合对应的特征向量作为输入，将与所述文本信息对应的标签信息作为输出，训练初始文本分类器，得到所述第二标签生成模型；

从所述至少一个分词中提取非情感词组成第三词语集合，将所述第三词语集合对应的特征向量作为输入，将与所述文本信息对应的标签信息作为输出，训练初始文本分类器，得到所述第三标签生成模型。

4.根据权利要求3所述的方法，其中，所述方法还包括：

使用所述扩展样本数据更新所述第一标签生成模型、所述第二标签生成模型和所述第三标签生成模型。

5.根据权利要求1所述的方法，其中，所述情感分析模型为深度神经网络；以及

使用所述有标签样本数据和所述扩展样本数据训练得到所述情感分析模型，包括：

将所述有标签样本数据中的文本信息作为输入样本，将与所述文本信息对应的标签信息作为输出样本，其中，所述有标签样本数据包括文本信息和与所述文本信息对应的标签信息；

将所述扩展样本数据中的无标签样本数据作为输入样本，将生成的、与所述无标签样本数据对应的标签信息作为输出样本；

使用输入样本和输出样本训练初始深度神经网络，得情感分析模型。

6.根据权利要求5所述的方法，其中，所述使用输入样本和输出样本训练初始深度神经网络，得到所述情感分析模型，包括：

使用预先设定的测试数据集合中的测试数据对得到的情感分析模型进行性能评估；

根据性能评估结果确定得到的情感分析模型是否为最终情感分析模型。

7.一种用于生成信息的装置，包括：

获取单元，用于根据目标关键词获取待分析信息；

生成单元，用于将所述待分析信息输入预先建立的情感分析模型，生成所述待分析信息的情感倾向信息，其中，所述生成单元包括：

数据获取单元，用于获取无标签样本数据和有标签样本数据；

标签信息生成单元，用于使用预先建立的标签生成模型生成所述无标签样本数据对应的标签信息，将所述无标签样本数据和生成的标签信息作为扩展样本数据，其中，所述标签信息包括第一标签、第二标签和第三标签，其中，所述标签生成模型用于表征无标签样本数据与标签信息之间的对应关系；

训练单元，用于使用所述有标签样本数据和所述扩展样本数据训练得到所述情感分析模型。

8.根据权利要求7所述的装置，其中，所述标签生成模型包括第一标签生成模型、第二标签生成模型和第三标签生成模型；以及

所述标签信息生成单元进一步用于：

响应于确定所述第一标签生成模型、所述第二标签生成模型和所述第三标签生成模型中的至少两个标签生成模型针对所述无标签样本数据生成的标签信息相同，将所述至少两个标签生成模型针对所述无标签样本数据生成的标签信息作为所述无标签数据的标签信息。

9.根据权利要求8所述的装置，其中，所述装置还包括标签生成模型训练单元，所述标签生成模型训练单元用于：

对所述有标签样本数据中的文本信息进行分词处理，得到至少一个分词，其中，所述有标签样本数据包括文本信息和与所述文本信息对应的标签信息；

根据所述至少一个分词得到第一词语集合，将所述第一词语集合对应的特征向量作为输入，将与所述文本信息对应的标签信息作为输出，训练初始文本分类器，得到所述第一标签生成模型；

从所述至少一个分词中提取情感词组成第二词语集合，将所述第二词语集合对应的特征向量作为输入，将与所述文本信息对应的标签信息作为输出，训练初始文本分类器，得到所述第二标签生成模型；

从所述至少一个分词中提取非情感词组成第三词语集合，将所述第三词语集合对应的特征向量作为输入，将与所述文本信息对应的标签信息作为输出，训练初始文本分类器，得到所述第三标签生成模型。

10.根据权利要求9所述的装置，其中，所述装置还包括：

更新单元，用于使用所述扩展样本数据更新所述第一标签生成模型、所述第二标签生成模型和所述第三标签生成模型。

11.根据权利要求7所述的装置，其中，所述情感分析模型为深度神经网络；以及所述训练单元包括：

第一输入输出确定单元，用于将所述有标签样本数据中的文本信息作为输入样本，将与所述文本信息对应的标签信息作为输出样本，其中，所述有标签样本数据包括文本信息和与所述文本信息对应的标签信息；

第二输入输出确定单元，用于将所述扩展样本数据中的无标签样本数据作为输入样本，将生成的、与所述无标签样本数据对应的标签信息作为输出样本；

模型训练单元，用于使用输入样本和输出样本训练初始深度神经网络，得情感分析模型。

12.根据权利要求11所述的装置，其中，所述模型训练单元进一步用于：

使用预先设定的测试数据集合中的测试数据对得到的情感分析模型进行性能评估；

根据性能评估结果确定得到的情感分析模型是否为最终情感分析模型。

13.一种终端，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。