CN108121698A - 中文文字情绪识别方法及系统 - Google Patents
中文文字情绪识别方法及系统 Download PDFInfo
- Publication number
- CN108121698A CN108121698A CN201711227037.8A CN201711227037A CN108121698A CN 108121698 A CN108121698 A CN 108121698A CN 201711227037 A CN201711227037 A CN 201711227037A CN 108121698 A CN108121698 A CN 108121698A
- Authority
- CN
- China
- Prior art keywords
- chinese text
- feature
- field
- article
- species
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种中文文字情绪识别方法及系统,方法包括:获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。解决了不能够精确判断某个领域和不同文本种类的情感倾向的问题。通过领域判断后得到的情绪特征,使搜索难度得到降低,同时针对于文章和评论,使用不同的情绪倾向比例计算方式,提升了算法的精度,从而提升了运算速度和获得的情绪倾向比例的精确性大大提高。系统实现了方法相同的有益效果。
Description
技术领域
本发明涉及文本的情绪识别领域,具体涉及一种中文文字情绪识别方法及系统。
背景技术
随着互联网技术的不断发展,目前的互联网信息已经处于一种不规则增长态势之中,互联网已成为全球最大的信息资源库,它在给人类的生活和工作带来便利的同时,也引发了“负面信息传播”、“信息有效利用”等问题。
因此,如何识别信息中带有的情绪色彩,显得尤为重要。通过情绪识别可以简单的了解到发布者在发表言论(文章)或者撰写评论的时候,附带的是怎样的情绪,进而在负面情绪被散播之前,及时进行规避处理。通过情绪识别也可以整合信息,有效提取评论中的好评、差评词汇,进而得出用户真实的售后评价。
为了实现文章的情绪识别,我国专利号为CN107301200A,公开了一种基于情感倾向分析的文章评估方法和系统,包括:
S1、利用爬虫抓取、弹幕识别和语音识别获取目标文章评价数据;
S2、提取目标文章评价数据中的情感倾向特征,得到目标文章的评价词条集;
S3、根据预设评价词条的权值计算目标文章的评价词条集加权总分,得到目标文章推荐分;
S4、可视化展示目标文章的评价词条集和目标文章推荐分。
实现了全品类的情感倾向分析,为口碑分析、话题监控、舆情分析等应用提供基础技术支持。针对相关技术中不能够精确判断某个领域和不同文本种类的情感倾向的问题,目前尚未提出有效的解决方案。
发明内容
本发明的目的是提供一种中文文字情绪识别方法及系统,以解决不能精确判断某个领域和不同文本种类的情感倾向的问题。
为了实现上述目的,本发明提供如下技术方案:
本发明提供了一种中文文字情绪识别方法,包括以下步骤:
获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;
通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;
根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。
上述中文文字情绪识别方法,所述甄别特征的获取包括以下步骤:
输入领域特征词,并据其进行领域标注,得到领域特征;
输入段落、字数特征词,并据其进行种类标注,得到种类特征。
上述中文文字情绪识别方法,通过所述甄别特征进行所述中文文本的领域和种类判断包括以下步骤:
根据所述领域特征判断出所述中文文本所处的领域;
对所述中文文本进行段落和字数分析,并根据分析结果和所述种类特征判断所述中文文本的种类。
上述中文文字情绪识别方法,所述情绪特征的获取包括以下步骤:
输入情绪特征词,并对其进行类型、情感属性以及分值的标注;
通过分类器学习训练出特征向量,生成基于二叉树特征词库的所述情绪特征。
上述中文文字情绪识别方法,根据所述领域对应的情绪特征在评论中搜索得到关键词包括以下步骤:
抓取并遍历所述评论中的中文文字,并与所述情绪特征进行逐一比对;
若比对出近似,则判定为关键词;
否则,判定为不相关词。
上述中文文字情绪识别方法,根据所述领域对应的情绪特征在文章中搜索得到关键词之前包括以下步骤:
将所述文章拆分为开头、中间以及结束三个部分;
对上述部分按照5:1:3的比例赋予权重。
上述中文文字情绪识别方法,根据所述领域对应的情绪特征在文章中搜索得到关键词包括以下步骤:
抓取并遍历每个部分的中文文字,并与所述情绪特征进行逐一比对;
若比对出近似,则判定为关键词;
否则,判定为不相关词。
上述中文文字情绪识别方法,所述文章的情绪倾向比例的获取包括以下步骤:
根据所述频次和权重计算得到影响情绪的频次因子;
根据所述情感倾向分数和权重计算得到影响情绪的情感因子;
根据所述频次和情感因子计算得到所述文章的情绪倾向比例。
上述中文文字情绪识别方法,所述评论的情绪倾向比例的获取包括以下步骤:
根据所述频次和情感倾向分数计算得到所述评论的情绪倾向比例。
本发明提供的一种中文文字情绪识别方法,方法包括:获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。解决了不能够精确判断某个领域和不同文本种类的情感倾向的问题。通过领域判断后得到的情绪特征,使搜索难度得到降低,同时针对于文章和评论,使用不同的情绪倾向比例计算方式,提升了算法的精度,从而提升了运算速度和获得的情绪倾向比例的精确性大大提高。
本发明还提供了一种中文文字情绪识别系统,包括:获取单元,用以获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;判断分析单元,用以通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;计算单元,用以根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。解决了不能够精确判断某个领域和不同文本种类的情感倾向的问题。通过领域判断后得到的情绪特征,使搜索难度得到降低,同时针对于文章和评论,使用不同的情绪倾向比例计算方式,提升了算法的精度,从而提升了运算速度和获得的情绪倾向比例的精确性大大提高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的中文文字情绪识别方法的结构示意图;
图2为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图3为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图4为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图5为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图6为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图7为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图8为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图9为本发明一优选实施例提供的中文文字情绪识别方法的结构示意图;
图10为本发明实施例提供的中文文字情绪识别系统的结构示意图。
附图标记说明:
10、获取单元;20、判断分析单元;30、计算单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
如图1所示,为本发明实施例提供的一种中文文字情绪识别方法,包括以下步骤:
S101、获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;
具体的,特征词库是指预先标记,具有领域甄别、情绪分类等功能的数据库集合;中文文本是指含有中文文字、图片及视频等内容的文本;甄别特征是指可对中文文本所处的领域、种类进行判断的词汇;情绪特征是指可判断中文文本中的词汇带有的情绪色彩的词汇;通过甄别特征为实现中文文本的领域、种类的判断提供了基础。
在一些实施例中,需要对其他语言的文本进行情绪识别,可通过翻译器翻译成中文文本后再输入进行情绪识别。
在一些实施例中,所述领域包括但不限于,网站上的涉及政治、娱乐、商业、生产以及军工等。
在一些实施例中,根据政治、娱乐、商业、生产以及军工将情绪特征分为不同的类别,分别通过不同的数据库存储,且两两数据库之间的情绪特征并不一定完全不相同;进而为领域内的精确判断情感倾向提供了基础。
如图2所示,在步骤S101中,所述甄别特征的获取包括以下步骤:
S201、输入领域特征词,并据其进行领域标注,得到领域特征;
S202、输入段落、字数特征词,并据其进行种类标注,得到种类特征。
具体的,领域特征,用于甄别该中文文本属于哪个领域的文章或者评论。通过领域里专家团队,标注出领域特有的领域关键词库,即领域特征。比如,政治领域,需要输入的领域特征词为:“政治”、“外交”以及“时事”等,根据上述词汇进行标注,标注为政治领域即可。种类特征,用于对中文文本属于文章还是评论进行判断。通过技术人员,标注出段落数量、字数范围,即种类特征。比如,输入的字数、段落特征词规定为:字数在1000以上,段落在3段及3段以上,根据上述规定将其标注为文章,否则将其标注为评论。领域、种类标注使中文文本的领域、种类判断更为精确。
如图4所示,在步骤S101中,所述情绪特征的获取包括以下步骤:
S401、输入情绪特征词,并对其进行类型、情感属性以及分值的标注;
S402、通过分类器学习训练出特征向量,生成基于二叉树特征词库的所述情绪特征。
具体的,情绪特征,用于对中文文本中的关键词进行情绪倾向分析。通过领域里知名专家团队,共同标注情绪的类型、情感属性、分值,并且通过机器学习训练出特征向量,即情绪特征,汇集生成对应二叉树关键词库。情绪的标注使中文文本的领域、种类判断更为精确。
S102、通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;
通过甄别特征实现文本领域、种类的判断,为精确判断某个领域和不同文本种类的情感倾向提供了基础,从而回避了文本领域、种类对情绪识别精确性的影响。
如图3所示,在步骤S102中,通过所述甄别特征进行所述中文文本的领域和种类判断包括以下步骤:
S301、根据所述领域特征判断出所述中文文本所处的领域;
S302、对所述中文文本进行段落和字数分析,并根据分析结果和所述种类特征判断所述中文文本的种类。
具体的,通过甄别特征中的领域特征判断中文文本属于哪个领域的文章或评论,比如中文文本涉及到了甄别特征中的“政治”“时事”等词汇时,则认为属于政治领域的文章或评论;再根据领域关联到相应的情绪特征,比如,政治领域关联到与政治相关的涉及“煽动群众”、“针砭时事”及“非法集会”的词汇;然后再对甄别特征中的段落和字数进行分析得到当前属于文章还是评论。实现了文本领域、种类的判断,为精确判断某个领域和不同文本种类的情感倾向提供了基础,从而回避了文本领域、种类对情绪识别精确性的影响。
S103、根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。
通过领域判断后得到的情绪特征,为中文文本的关键词搜索,以及情感倾向的判断提供了基础,使搜索难度得到降低;通过种类判断将中文文本分为文章和评论,并使用不同的情绪倾向比例计算方式,从而提升了算法的精度;通过两者配合使运算速度和获得的情绪倾向比例的精确性大大提高。
如图5所示,在步骤S103中,根据所述领域对应的情绪特征在评论中搜索得到关键词包括以下步骤:
S501、抓取并遍历所述评论中的中文文字,并与所述情绪特征进行逐一比对;
S502、若比对出近似,则判定为关键词;
S503、否则,判定为不相关词。
具体的,通过网络爬虫的方式抓取网页上的中文文本,并遍历该文本中的文字,将文字和领域判断后的情绪特征进行字形、字义以及拼音等方面的比对,若发现有相同的,则认为是文本文字和情绪特征近似,判定该文本文字为关键词;否则,判定为不相关词,可直接忽略。实现了关键词的判定,从而为指定领域内的情绪倾向比例的计算提供了基础。
如图6所示,在步骤S103中,根据所述领域对应的情绪特征在文章中搜索得到关键词之前包括以下步骤:
S601、将所述文章拆分为开头、中间以及结束三个部分;
S602、对上述部分按照5:1:3的比例赋予权重。
具体的,种类判断的结果为两种,分别为文章和评论。在本实施例中,为判定为文章的情况:根据总段数把文章拆分成开头段落、中间段落、结束段落三种位置,并对三种不同位置赋予不同权重即5、1、3,即在计算时,开头部分会对最终的情绪倾向比例产生最大的影响,结束部分其次,中间部分最小;从而为提升文章情绪识别的精确性提供了基础。
如图7所示,在步骤S103中,根据所述领域对应的情绪特征在文章中搜索得到关键词包括以下步骤:
S701、抓取并遍历每个部分的中文文字,并与所述情绪特征进行逐一比对;
S702、若比对出近似,则判定为关键词;
S703、否则,判定为不相关词。
具体的,通过网络爬虫的方式抓取网页上的中文文本中的每个部分,并遍历该部分中的文字,将文字和领域判断后的情绪特征进行字形、字义以及拼音等方面的比对,若发现有相同的,则认为是文本文字和情绪特征近似,判定该文本文字为关键词;否则,判定为不相关词,可直接忽略。实现了关键词的判定,从而为指定领域内的情绪倾向比例的计算提供了基础。
如图8所示,在步骤S103中,所述文章的情绪倾向比例的获取包括以下步骤:
S801、根据所述频次和权重计算得到影响情绪的频次因子;
S802、根据所述情感倾向分数和权重计算得到影响情绪的情感因子;
S803、根据所述频次和情感因子计算得到所述文章的情绪倾向比例。
具体的,通过二叉树情绪特征库从叶到根的方式分别得到开头段落关键词、中间段落关键词、结束段落关键词。并根据文章关键词出现频次乘以权重(关键词出现频次越高,分值递减,并求和),通过关键词对应的情感分数(正面分数、负面分数、中性分数)乘以权重。最后把正面、负面、中性分别求和;最终根据频次和情感因子得出该文章的情绪倾向比例。通过S801-S803实现了算法的优化,进而提升了计算文章的情绪倾向比例的精确性。
如图9所示,在步骤S103中,所述评论的情绪倾向比例的获取包括以下步骤:
S901、根据所述频次和情感倾向分数计算得到所述评论的情绪倾向比例。
具体的,根据情绪关键词库得到关键词频次和情感倾向分数,得到该评论的情绪倾向比例。通过S801-S803实现了算法的优化,进而提升了计算评论的情绪倾向比例的精确性。
本发明实施例提供的一种中文文字情绪识别方法,具有以下有益效果:通过甄别特征实现领域、种类的判断,为精确判断情感倾向提供了基础;通过领域判断后得到的情绪特征,为中文文本的关键词搜索,以及情感倾向的判断提供了基础,使搜索难度得到降低;通过种类判断将中文文本分为文章和评论,并使用不同的情绪倾向比例计算方式,从而提升了算法的精度;通过两者配合使运算速度和获得的情绪倾向比例的精确性大大提高。
如图10所示,本发明实施例还提供的一种中文文字情绪识别系统,包括:获取单元10,用以获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;判断分析单元20,用以通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;计算单元30,用以根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。具有以下有益效果:通过甄别特征实现领域、种类的判断,为精确判断情感倾向提供了基础;通过领域判断后得到的情绪特征,为中文文本的关键词搜索,以及情感倾向的判断提供了基础,使搜索难度得到降低;通过种类判断将中文文本分为文章和评论,并使用不同的情绪倾向比例计算方式,从而提升了算法的精度;通过两者配合使运算速度和获得的情绪倾向比例的精确性大大提高。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种中文文字情绪识别方法,其特征在于,包括以下步骤:
获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;
通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;
根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。
2.根据权利要求1所述的中文文字情绪识别方法,其特征在于,所述甄别特征的获取包括以下步骤:
输入领域特征词,并据其进行领域标注,得到领域特征;
输入段落、字数特征词,并据其进行种类标注,得到种类特征。
3.根据权利要求2所述的中文文字情绪识别方法,其特征在于,通过所述甄别特征进行所述中文文本的领域和种类判断包括以下步骤:
根据所述领域特征判断出所述中文文本所处的领域;
对所述中文文本进行段落和字数分析,并根据分析结果和所述种类特征判断所述中文文本的种类。
4.根据权利要求1所述的中文文字情绪识别方法,其特征在于,所述情绪特征的获取包括以下步骤:
输入情绪特征词,并对其进行类型、情感属性以及分值的标注;
通过分类器学习训练出特征向量,生成基于二叉树特征词库的所述情绪特征。
5.根据权利要求1所述的中文文字情绪识别方法,其特征在于,根据所述领域对应的情绪特征在评论中搜索得到关键词包括以下步骤:
抓取并遍历所述评论中的中文文字,并与所述情绪特征进行逐一比对;
若比对出近似,则判定为关键词;
否则,判定为不相关词。
6.根据权利要求1所述的中文文字情绪识别方法,其特征在于,根据所述领域对应的情绪特征在文章中搜索得到关键词之前包括以下步骤:
将所述文章拆分为开头、中间以及结束三个部分;
对上述部分按照5:1:3的比例赋予权重。
7.根据权利要求6所述的中文文字情绪识别方法,其特征在于,根据所述领域对应的情绪特征在文章中搜索得到关键词包括以下步骤:
抓取并遍历每个部分的中文文字,并与所述情绪特征进行逐一比对;
若比对出近似,则判定为关键词;
否则,判定为不相关词。
8.根据权利要求6所述的中文文字情绪识别方法,其特征在于,所述文章的情绪倾向比例的获取包括以下步骤:
根据所述频次和权重计算得到影响情绪的频次因子;
根据所述情感倾向分数和权重计算得到影响情绪的情感因子;
根据所述频次和情感因子计算得到所述文章的情绪倾向比例。
9.根据权利要求1所述的中文文字情绪识别方法,其特征在于,所述评论的情绪倾向比例的获取包括以下步骤:
根据所述频次和情感倾向分数计算得到所述评论的情绪倾向比例。
10.一种中文文字情绪识别系统,其特征在于,包括:
获取单元,用以获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;
判断分析单元,用以通过所述甄别特征进行所述中文文本的领域和种类判断,所述种类至少包括:文章和评论;
计算单元,用以根据所述领域对应的情绪特征在文章或评论中搜索得到关键词,并对所述关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227037.8A CN108121698A (zh) | 2017-11-29 | 2017-11-29 | 中文文字情绪识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227037.8A CN108121698A (zh) | 2017-11-29 | 2017-11-29 | 中文文字情绪识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108121698A true CN108121698A (zh) | 2018-06-05 |
Family
ID=62228648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711227037.8A Pending CN108121698A (zh) | 2017-11-29 | 2017-11-29 | 中文文字情绪识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108121698A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933782A (zh) * | 2018-12-03 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 用户情绪预测方法和装置 |
CN113157858A (zh) * | 2021-03-25 | 2021-07-23 | 上海柏观数据科技有限公司 | 一种基于情感词匹配与频度结合的情感程度检测方法 |
CN113850083A (zh) * | 2021-08-17 | 2021-12-28 | 北京百度网讯科技有限公司 | 确定播报风格的方法、装置、设备和计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110046943A1 (en) * | 2009-08-19 | 2011-02-24 | Samsung Electronics Co., Ltd. | Method and apparatus for processing data |
CN105068988A (zh) * | 2015-07-21 | 2015-11-18 | 中国科学院自动化研究所 | 多维度和多粒度情感分析方法 |
CN106681986A (zh) * | 2016-12-13 | 2017-05-17 | 成都数联铭品科技有限公司 | 一种多维度情感分析系统 |
CN107301200A (zh) * | 2017-05-23 | 2017-10-27 | 合肥智权信息科技有限公司 | 一种基于情感倾向分析的文章评估方法和系统 |
-
2017
- 2017-11-29 CN CN201711227037.8A patent/CN108121698A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110046943A1 (en) * | 2009-08-19 | 2011-02-24 | Samsung Electronics Co., Ltd. | Method and apparatus for processing data |
CN105068988A (zh) * | 2015-07-21 | 2015-11-18 | 中国科学院自动化研究所 | 多维度和多粒度情感分析方法 |
CN106681986A (zh) * | 2016-12-13 | 2017-05-17 | 成都数联铭品科技有限公司 | 一种多维度情感分析系统 |
CN107301200A (zh) * | 2017-05-23 | 2017-10-27 | 合肥智权信息科技有限公司 | 一种基于情感倾向分析的文章评估方法和系统 |
Non-Patent Citations (1)
Title |
---|
张林 等: "轻型评论的情感分析研究", 《软件学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933782A (zh) * | 2018-12-03 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 用户情绪预测方法和装置 |
CN109933782B (zh) * | 2018-12-03 | 2023-11-28 | 创新先进技术有限公司 | 用户情绪预测方法和装置 |
CN113157858A (zh) * | 2021-03-25 | 2021-07-23 | 上海柏观数据科技有限公司 | 一种基于情感词匹配与频度结合的情感程度检测方法 |
CN113850083A (zh) * | 2021-08-17 | 2021-12-28 | 北京百度网讯科技有限公司 | 确定播报风格的方法、装置、设备和计算机存储介质 |
JP2023027749A (ja) * | 2021-08-17 | 2023-03-02 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 放送スタイルを決定する方法、装置、機器、及びコンピュータ記憶媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Adapting sentiment lexicons to domain-specific social media texts | |
Cao et al. | Web-based traffic sentiment analysis: Methods and applications | |
Guo et al. | Automated competitor analysis using big data analytics: Evidence from the fitness mobile app business | |
CN104008203B (zh) | 一种融入本体情境的用户兴趣挖掘方法 | |
Keyvanpour et al. | OMLML: a helpful opinion mining method based on lexicon and machine learning in social networks | |
CN103853824A (zh) | 一种基于深度语义挖掘的内文广告发布方法与系统 | |
CN104471568A (zh) | 对自然语言问题的基于学习的处理 | |
CN107688870B (zh) | 一种基于文本流输入的深度神经网络的分层因素可视化分析方法及装置 | |
Yilmaz et al. | Improving educational web search for question-like queries through subject classification | |
CN106355446B (zh) | 一种网络和手机游戏的广告推荐系统 | |
Huang et al. | A multi-source integration framework for user occupation inference in social media systems | |
CN105740404A (zh) | 标签关联方法及装置 | |
CN109522412A (zh) | 文本情感分析方法、装置及介质 | |
CN108121698A (zh) | 中文文字情绪识别方法及系统 | |
Tao | [Retracted] Application of Data Mining in the Analysis of Martial Arts Athlete Competition Skills and Tactics | |
Pathan et al. | Unsupervised aspect extraction algorithm for opinion mining using topic modeling | |
El Mokhtar et al. | Hybrid approach of the fuzzy C-means and the K-nearest neighbors methods during the retrieve phase of dynamic case based reasoning for personalized follow-up of learners in real time | |
Huang et al. | Multi-granular document-level sentiment topic analysis for online reviews | |
Ashiq et al. | A Deep Learning Approaches for Natural Language Processing and Sentiment Analysis in Social Media | |
Najafabadi et al. | Tag recommendation model using feature learning via word embedding | |
CN114722174A (zh) | 提词方法和装置、电子设备及存储介质 | |
Liu et al. | Unveiling consumer preferences in automotive reviews through aspect-based opinion generation | |
Suhartono et al. | Argument annotation and analysis using deep learning with attention mechanism in Bahasa Indonesia | |
Arafat et al. | Analyzing public emotion and predicting stock market using social media | |
CN111159400A (zh) | 一种产品评论情感分类方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200610 Address after: 100041 403, floor 4, building 10, yard 30, Shixing street, Shijingshan District, Beijing Applicant after: BEIJING YULESHIJIE EDUCATION TECHNOLOGY Co.,Ltd. Address before: 100083 Beijing Haidian District Xueyuan Road 14 10 Building 2 door 103. Applicant before: Zhang Ning Applicant before: BEIJING SHENHAI JUJING INFORMATION TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180605 |