CN110390102A - 一种情感分析的方法和相关装置 - Google Patents
一种情感分析的方法和相关装置 Download PDFInfo
- Publication number
- CN110390102A CN110390102A CN201910665337.7A CN201910665337A CN110390102A CN 110390102 A CN110390102 A CN 110390102A CN 201910665337 A CN201910665337 A CN 201910665337A CN 110390102 A CN110390102 A CN 110390102A
- Authority
- CN
- China
- Prior art keywords
- vector
- affective tag
- text
- training text
- correlation
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 97
- 239000013598 vector Substances 0.000 claims abstract description 300
- 230000008451 emotion Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 157
- 230000006870 function Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000006854 communication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Abstract
本申请公开了一种情感分析的方法和相关装置,能够好地反映出待处理文本的情感信息,参考意义较大。本申请方法包括:包括:获取待处理文本;生成表征所述待处理文本的第一特征向量;根据预置的情感分析模型和所述第一特征向量生成第一情感标签向量,所述情感分析模型表征所述第一特征向量与所述第一情感标签向量之间的对应关系;在所述第一情感标签向量中,一个维度上的数值表征一个情感标签对于所述待处理文本的第一重要程度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种情感分析的方法和相关装置。
背景技术
文本情感分析作为自然语言处理方向的研究热点,可以提取人们对某一目标的情感态度,进而发现潜在问题进行改进或预测情感走向,且已在产品服务评论分析、社交网络舆情分析和闲聊机器人等领域得到了广泛的应用。
目前,情感分析的方法主要是分析文本与已知情感标签的相关性,相关性为相关或不相关。
然而这种相关性反映出文本的情感信息有限,参考意义不大。
发明内容
本申请实施例提供了一种情感分析的方法和相关装置,能够好地反映出待处理文本的情感信息,参考意义较大。
有鉴于此,本申请第一方面提供一种对象控制的方法,包括:
获取待处理文本;
生成表征所述待处理文本的第一特征向量;
根据预置的情感分析模型和所述第一特征向量生成第一情感标签向量,所述情感分析模型表征所述第一特征向量与所述第一情感标签向量之间的对应关系;
在所述第一情感标签向量中,一个维度上的数值表征一个情感标签对于所述待处理文本的第一重要程度。
本申请第二方面提供一种情感分析的装置,包括:
第一获取单元,用于获取待处理文本;
第一生成单元,用于生成表征所述待处理文本的第一特征向量;
第二生成单元,用于根据预置的情感分析模型和所述第一特征向量生成第一情感标签向量,所述情感分析模型表征所述第一特征向量与所述第一情感标签向量之间的对应关系;
在所述第一情感标签向量中,一个维度上的数值表征一个情感标签对于所述待处理文本的第一重要程度。
在一种可能的设计中,在本申请实施例的第二方面的第一种实现方式中,
所述的装置还包括:
第二获取单元,用于获取训练文本集合,所述训练文本集合中包含至少一个训练文本;
第三生成单元,用于对应每个所述训练文本,生成表征所述训练文本的第二特征向量;
第四生成单元,用于根据所述第二特征向量生成与每个所述训练文本对应的第二情感标签向量;
在所述第二情感标签向量中,一个维度上的数值表征一个情感标签对于所述训练文本的第二重要程度,且所述第二情感标签向量对应的情感标签与所述第一情感标签向量对应的情感标签相同;
确定单元,用于根据每个所述训练文本对应的所述第二特征向量和所述第二情感标签向量确定所述情感分析模型。
在一种可能的设计中,在本申请实施例的第二方面的第二种实现方式中,
所述第四生成单元用于:
根据所述第二特征向量和预置的第一规则确定两两第二特征向量之间的第一相关程度;
获取每个所述训练文本对应的第三情感标签向量,在所述第三情感标签向量中,一个维度上的数值表征一个情感标签与所述训练文本的相关性,所述相关性为相关或不相关,且所述第三情感标签向量对应的情感标签与所述第一情感标签向量对应的情感标签相同;
对于任意两个训练文本,将第二特征向量之间的第一相关程度,确定为第三情感标签向量之间的第二相关程度;
根据所述第二相关程度、所述第三情感标签向量和预置的第二规则确定每个训练文本对应的第二情感标签向量。
在一种可能的设计中,在本申请实施例的第二方面的第三种实现方式中,
所述第四生成单元用于:
以最小为第一目标函数进行迭代计算,获取迭代计算结束后的以确定两两第二特征向量之间的第一相关程度,其中q表示所述训练文本集合中训练文本的总数,xi表示第i个训练文本的第二特征向量,xj表示第j个训练文本的第二特征向量,表示xi与xj之间的第一相关程度。
在一种可能的设计中,在本申请实施例的第二方面的第四种实现方式中,
所述第四生成单元用于:
以为第二目标函数进行迭代计算,获取迭代计算结束后的相关程度向量ri,以确定两两第二特征向量之间的第一相关程度,其中xi为第i个训练文本的第二特征向量,T为所有训练文本对应的第二特征向量构成的矩阵,{T-xi}表示除第i个训练文本之外的其他各个训练文本对应的第二特征向量构成的矩阵,所述相关程度向量ri表示所述第i个训练文本的第二特征向量,与其他各个训练文本的第二特征向量之间的第一相关程度,1≤i≤q。
在一种可能的设计中,在本申请实施例的第二方面的第五种实现方式中,
所述第四单元用于:
以为第三目标函数对所述第三情感标签向量进行迭代优化,获取迭代优化结束后的第三情感标签向量作为第二情感标签向量,其中e_numericali和e_numericalj分别表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量,表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量之间的第二相关程度,q表示所述训练文本集合中训练文本的总数。
在一种可能的设计中,在本申请实施例的第二方面的第六种实现方式中,
所述确定单元用于:
根据预置的最大熵模型训练得到情感分析模型f(yd|x,θ)表示根据特征向量x预测得到的情感标签向量在第d个维度上的取值,n表示情感标签向量的维度总数,θd表示情感标签在第d个维度上的取值与特征向量x的对应系数;
根据情感分析模型获取各训练文本的第二特征向量对应的预测情感标签向量;
计算各个训练文本的第二情感标签向量和预测情感标签向量之间的相对熵;
以各个训练文本对应的所有相对熵之和最小为目标函数,求解参数θd,以确定所述情感分析模型。
在一种可能的设计中,在本申请实施例的第二方面的第七种实现方式中,
所述第一生成单元,用于获取所述待处理文本的句向量和词频反文档频率特征;
根据所述句向量和所述词频反文档频率特征确定所述第一特征向量。
在一种可能的设计中,在本申请实施例的第二方面的第八种实现方式中,
所述的装置还包括:
归一化单元,用于对所述第一特征向量进行归一化处理,使得所述第一特征向量中的各个维度的数值位于预设范围内。
在一种可能的设计中,在本申请实施例的第二方面的第九种实现方式中,
所述的装置还包括:
降维单元,对所述第一特征向量进行降维处理。
在一种可能的设计中,在本申请实施例的第二方面的第八种实现方式中,
所述的装置还包括:
判断单元,根据第一情感标签向量各维度上的数值判断所述待处理文本是否满足预设要求。
本申请实施例第三方面提供了一种终端设备,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,以实现本申请实施例第二方面任意一项所述装置的功能。
本申请实施例第四方面提供了一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机实现本申请实施例第二方面任意一项所述装置的功能。
从以上技术方案可以看出,本申请实施例具有以下优点:
先获取待处理文本,然后生成表征待处理文本的第一特征向量,再根据预置的情感分析模型和第一特征向量生成第一情感标签向量,情感分析模型表征第一特征向量与第一情感标签向量之间的对应关系;由于在第一情感标签向量中,一个维度上的数值表征一个情感标签对于待处理文本的第一重要程度,不同情感标签可以通过对于待处理文本的第一重要程度区分,考虑到了不同情感标签之间的差异性,因此,本申请实施例得到的第一情感标签向量能够更好地反映出待处理文本的情感信息,参考意义较大。
附图说明
图1为本申请实施例中对象控制系统的一个架构示意图;
图2为本申请实施例中对象控制的方法一个实施例示意图;
图3为本申请实施例中情感分析模型的生成方法的实施例示意图;
图4为本申请实施例中生成第二情感标签向量的方法实施例示意图;
图5为本申请实施例提供的一种情感分析的装置的一个实施例示意图;
图6为本申请实施例提供的一种情感分析的装置的一个实施例示意图;
图7为本申请实施例提供的一种情感分析的装置的另一个实施例示意图;
图8为本申请实施例提供的一种终端设备的实施例示意图。
具体实施方式
本申请实施例提供了一种情感分析的方法和相关装置,能够好地反映出待处理文本的情感信息,参考意义较大。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”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。
应理解,本申请应用于多种场景,例如可应用于产品服务评论分析、社交网络舆情分析和闲聊机器人等场景。具体地,当本申请应用于产品服务评论分析场景时,可以通过评论分析结果监测用户对产品的认可度,以指导产品后续的改良或判断产品的投资价值;当本申请应用于社交网络舆情分场景时,可以通过舆情分析监测社交网络中社交气氛。
而当本申请应用于闲聊机器人场景时,可以根据用户语料分析用户的情感状况,获得较准确地情感信息,并根据情感信息控制回复语的生成,有效监控机器人回复语的合理合法性,避免脏话、种族言论和政治言论等危险回复语的生成;并且,该情感信息还可以作为物理模拟器的决策信息,使得物理模拟器呈现合理的肢体动作或面部表情,实现丰富地拟人化情感回应。
下面将对以为了便于理解,本申请提出了一种情感分析的方法,该方法应用于图1所示的闲聊机器人场景,请参阅图1,图1为本申请实施例中闲聊机器人的一个场景示意图,如图所示,用户在与机器人闲聊的过程中,机器人可以通过语音识别用户的语料,然后通过自然语言理解得到待处理文本,并采用本申请实施例提供的情感分析方法对待处理文本进行情感分析,然后根据情感分析的结果生成回复语。
此外,机器人可以将回复语作为待处理文本,进一步对回复语进行情感分析,根据情感分析判断回复语是否满足预设要求,例如判断回复语的合理合法性,以避免脏话、种族言论和政治言论等危险回复语的生成。
最终,机器人会将满足预设要求的回复语通过各种形式回复给用户。
在上述闲聊机器人的应用场景中,本申请实施例的提供的情感分析的方法,不仅可以得到用户语料蕴含的情感信息,还可以有效监控机器人回复语的合法合理性。
需要说明的是,机器人可以包括多种形式,例如机器人可以为移动终端,可以为固定终端,还可以为智能家居中的智能设备,本申请实施例对此不做限定。
为了便于理解,请参阅图2,本申请实施例提供的一种情感分析的方法实施例示意图。
本申请实施例提供了一种情感分析的方法的一个实施例,包括:
101,获取待处理文本。
可以理解的是,待处理文本可以采用语音识别技术从用户的对话中获取,也可以从评论中获取,本申请实施例对此不做限定;其中待处理文本,可以为一个字,可以为一个词语,可以为一句话,还可以为一段话。
102,生成表征待处理文本的第一特征向量。
需要说明的是,表征待处理文本的第一特征向量有多种表现形式,例如第一特征向量可以是词向量,可以是句向量,还可以是词频反文档频率特征组成的向量;相应地,生成第一特征向量的方法也包括多种,例如可以采用fasttext模型提取待处理文本的句向量,可以采用tf-idf技术提取词频反文档频率特征,还可以采用词袋模型或word2vec模型提取待处理文本的词向量。
103,根据预置的情感分析模型和第一特征向量生成第一情感标签向量,情感分析模型表征第一特征向量与第一情感标签向量之间的对应关系。
需要说明的是,情感分析模型有多种形式,只要能够根据将第一特征向量转化成第一情感标签向量即可。
在第一情感标签向量中,每个维度的元素均为数值型,一个维度上的数值表征一个情感标签对于待处理文本的第一重要程度;例如,假设第一情感标签向量为(0.5,0.6,0.8,0.5),该第一情感标签向量为四维向量,0.5、0.6、0.8和0.5四个数值则分别表征四个情感标签对于待处理文本的重要程度。
即在本申请实施例中,第一情感标签向量中各维度的取值不再仅有0和1两种取值,而是有多种取值,取值的大小则代表重要程度。
本申请实施例考虑到不同情感标签之间的差异性,用第一情感标签向量中各维度的数值表示各情感标签对于待处理文本的重要程度,使得第一情感标签向量能够更好地反映出待处理文本的情感信息,参考意义较大。
需要说明的是,情感分析模型的生成方法也包括多种,下面将以其中一种生成方法进行具体介绍。请参阅图3,本申请实施例中情感分析模型的生成方法的实施例示意图。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,方法包括:
201,获取训练文本集合,训练文本集合中包含至少一个训练文本。
需要说明的是,本申请实施例对训练文本集合中的训练文本数不做具体限定,为了保证最终生成的情感分析模型足够准确,一般会选用多个训练文本。
202,对应每个训练文本,生成表征训练文本的第二特征向量。
可以理解的是,生成第二特征向量的方法与生成第一特征向量的方法相同,具体不做详述。
203,根据第二特征向量生成与每个训练文本对应的第二情感标签向量。
在第二情感标签向量中,每个维度的元素均为数值型,一个维度上的数值表征一个情感标签对于训练文本的第二重要程度,且第二情感标签向量对应的情感标签与第一情感标签向量对应的情感标签相同。
为了便于理解,下面以具体的示例进行说明:假设第一情感标签向量为(0.5,0.6,0.8,0.5),其中0.5、0.6、0.8和0.5四个数值分别表征快乐、悲伤、愤怒和恐惧四个情感标签对于待处理文本的重要程度,则在第二情感标签向量中四个维度的取值依次表征快乐、悲伤、愤怒和恐惧四个情感标签对于训练文本的重要程度。
204,根据每个训练文本对应的第二特征向量和第二情感标签向量确定情感分析模型。
在本申请实施例中,先获取训练文本集合,对于训练文本集合中的每个训练文本,分别生成第二特征向量和第二情感标签向量,然后根据第二特征向量和第二情感标签向量确定情感分析模型,并将该情感分析模型用于分析待处理文本。
应理解,根据第二特征向量生成第二情感标签向量的方法有多种,下面将以一种方法为例对其进行具体介绍。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,请参阅图4,本申请实施例中生成第二情感标签向量的方法实施例示意图,在该实施例中,根据第二特征向量生成与每个训练文本对应的第二情感标签向量包括:
301,根据第二特征向量和预置的第一规则确定两两第二特征向量之间的第一相关程度。
需要说明的是,对于任意的两个训练文本,它们之间必定相关,只是相关程度有所不同,该相关程度可以是完全不相关,可以是相关程度较小,也可以是相关程度较大。
由于第二特征向量用于表征训练文本,所以两个训练文本之间的相关程度可以用两个第二特征向量之间的第一相关程度表示,在本申请实施例中,第一相关程度用数值表示,不仅包括0和1两种状态。
302,获取每个训练文本对应的第三情感标签向量,在第三情感标签向量中,一个维度上的数值表征一个情感标签与训练文本的相关性,相关性为相关或不相关,且第三情感标签向量对应的情感标签与第一情感标签向量对应的情感标签相同。
可以理解的是,在第三情感标签向量中,每个维度上的数值仅有两个取值,例如为0或1,使用0和1表示相关性;由于第二情感标签向量对应的情感标签需要与第一情感标签向量对应的情感标签相同,所以第三情感标签向量对应的情感标签也需要与第一情感标签向量对应的情感标签相同。
303,对于任意两个训练文本,将第二特征向量之间的第一相关程度,确定为第三情感标签向量之间的第二相关程度。
需要说明的是,由于第二特征向量和第三情感标签向量均与训练文本对应,所以依据平滑假设拓扑结构具有局部可传递性的特点,可以将第二特征向量之间的第一相关程度转化为第三情感标签向量之间的第二相关程度。
304,根据第二相关程度、第三情感标签向量和预置的第二规则确定每个训练文本对应的第二情感标签向量。
在本申请实施例中,利用第三情感标签向量之间的第二相关程度和第二规则对第三情感标签向量进行优化,最终确定满足要求的第二情感标签向量。
可以理解的是,计算第一相关程度的方法有多种,在本申请实施例提供的一种情感分析的方法的另一个实施例中,根据第二特征向量和预置的第一规则确定两两第二特征向量之间的第一相关程度包括:
以最小为第一目标函数进行迭代计算,获取迭代计算结束后的以确定两两第二特征向量之间的第一相关程度,其中q表示训练文本集合中训练文本的总数,xi表示第i个训练文本的第二特征向量,xj表示第j个训练文本的第二特征向量,表示xi与xj之间的第一相关程度。
需要说明的是,上述方法只是计算第一相关程度的其中一种方法,在上述的迭代计算中,可以通过s.t.1TRi=1对进行归一化处理,具体过程此处不做详述;另外,由于训练文本与自身的第一相关程度没有意义,本申请实施例将取值为0。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,以最小为第一目标函数进行迭代计算,获取迭代计算结束后的包括:
以为第二目标函数进行迭代计算,获取迭代计算结束后的相关程度向量ri,以确定两两第二特征向量之间的第一相关程度,其中xi为第i个训练文本的第二特征向量,T为所有训练文本对应的第二特征向量构成的矩阵,{T-xi}表示除第i个训练文本之外的其他各个训练文本对应的第二特征向量构成的矩阵,相关程度向量ri表示第i个训练文本的第二特征向量,与其他各个训练文本的第二特征向量之间的第一相关程度,1≤i≤q。
需要说明的是,在本申请实施例中,采用了信号处理中的压缩感知技术,计算第i个训练文本的第二特征向量,与其他各个训练文本的第二特征向量之间的第一相关程度,从而确定两两第二特征向量之间的第一相关程度。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,根据第二相关程度、第三情感标签向量和预置的第二规则确定每个训练文本对应的第二情感标签向量包括:
以为第三目标函数对第三情感标签向量进行迭代优化,获取迭代优化结束后的第三情感标签向量作为第二情感标签向量,其中e_numericali和e_numericalj分别表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量,Ki j表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量之间的第二相关程度,q表示训练文本集合中训练文本的总数。
需要说明的是,在本申请实施例中,e_numericali的取值为第i个训练文本对应的第三情感标签向量,在第三情感标签向量中,每个维度的取值仅有两种情况,本申请实施例通过第二相关程度和第三目标函数对第三情感标签向量进行优化,使得第三情感标签向量中维度的取值由两种数值变为多种数值,最终得到第二情感标签向量。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,请参阅图5,本申请实施例中确定情感分析模型的方法实施例示意图,根据每个训练文本对应的第二特征向量和第二情感标签向量确定情感分析模型包括:
401,根据预置的最大熵模型训练得到情感分析模型f(yd|x,θ)表示根据特征向量x预测得到的情感标签向量在第d个维度上的取值,n表示情感标签向量的维度总数,θd表示情感标签在第d个维度上的取值与特征向量x的对应系数。
可以理解的是,情感分析模型表征第一特征向量与第一情感标签向量之间的对应关系,为了确定这种对应关系,在本申请实施例中,根据预置的最大熵模型训练得到一个初始的情感分析模型,通过该初始的情感分析模型可以根据特征向量x预测对应的情感标签向量在每个维度上的取值,然而在该初始的情感分析模型中,参数θd是未知的。
402,根据情感分析模型获取各训练文本的第二特征向量对应的预测情感标签向量。
本申请实施例通过情感分析模型对每个训练文本的情感标签向量进行了预测,得到预测情感标签向量,该预测情感标签向量中存在未知参数θd。
403,计算各个训练文本的第二情感标签向量和预测情感标签向量之间的相对熵。
可以理解的是,本申请实施例利用KL散度,计算训练文本实际的第二情感标签向量与预测情感标签向量之间的相对熵,相对熵表示训练文本实际的第二情感标签向量与预测情感标签向量之间的相似度。
404,以各个训练文本对应的所有相对熵之和最小为目标函数,求解参数θd,以确定情感分析模型。
在本申请实施例中,相似度越大,相对熵越小,所以以各个训练文本对应的所有相对熵之和最小为目标函数最终可以确定未知参数θd。
可以理解的是,第二情感标签向量的一个维度对应一个情感标签,且对应一个参数θd。
另外,以各个训练文本对应的所有相对熵之和最小为目标函数可以表示为其中q表示所述训练文本集合中训练文本的总数,n表示所述第三情感标签向量的维度总数,e_numericalid表示第i个训练文本对应的所述第三情感标签向量中第d个维度的数值,f(yid|xi,θ)表示根据第i个训练文本的特征向量xi预测得到的情感标签向量在第d个维度上的取值,λ为预设的平衡参数。
应理解,生成第一特征向量的方法有种,下面将以其中一种进行具体介绍。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,生成表征待处理文本的第一特征向量包括:
获取待处理文本的句向量和词频反文档频率特征,然后根据句向量和词频反文档频率特征确定第一特征向量。
需要说明的是,句向量与待处理文本中句子的数量对应,例如假设待处理文本中有3句话,则对应生成3个句向量,假设待处理文本中有8句话,则生成8个向量特征;而词频反文档频率特征的数量与选取的目标词语数量对应,一个目标词语对应一个词频反文档频率特征。
在确定句向量和词频反文档频率特征后,将句向量和词频反文档频率特征组合构成第一特征向量,而组合方式可以实际需要进行调整,例如假设有两个句向量,一个词频反文档频率特征,可以将词频反文档频率特征置于两个句向量之间组合形成第一特征向量。
另外,需要说明的是,第二特征向量的生成方法与第一向量特征的生成方法相同,此处不做赘述。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,生成表征待处理文本的第一特征向量还包括:
对第一特征向量进行归一化处理,使得第一特征向量中的各个维度的数值位于预设范围内。
可以理解的是,由于不进行归一化处理,第一特征向量中各维度的数值可能差异较大,归一化处理可以保证第一向量特征中每个维度的值在预设范围内,该预设范围可以根据实际需要进行设置,例如为设置在0至1之间,归一化处理还能够保证后续计算的数据收敛,提升梯度下降的效率。
而归一化处理的方式也包括多种,例如通过公式其中J表示第一特征向量中任意维度的数值,max表示第一特征向量中所有维度的最大数值,min表示第一特征向量中所有维度的最小数值。
上述方法是对第一特征向量中所有维度的数值统一进行归一化处理,除此之外,还可以分别对句向量和词频反文档频率特征分别进行归一化处理,具体过程此处不做赘述。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,生成表征待处理文本的第一特征向量还包括:
对第一特征向量进行降维处理。
需要说明的是,为了防止维度灾难,也为了提升情感分析的效率,本申请实施例对第一特征向量进行降维处理;由于词频反文档频率特征对应的目标词语可以包括很多,而根据研究可知,保留词频反文档频率特征总量的10%不会造成任何损失,而保留词频反文档频率特征总量的1%只会造成很小的损失,所以具体可以对词频反文档频率特征进行降维处理。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,方法还包括:
根据第一情感标签向量各维度上的数值判断待处理文本是否满足预设要求。
可以理解的是,采用本申请实施例提供的情感分析的方法,可以得到待处理文本的第二情感标签向量,而第二情感标签向量反映了待处理文本中蕴含的情感信息,因此可以采用第二情感标签向量判断待处理文本是否满足预设要求。
例如,可以对第二情感标签向量每个维度的数值设定相应地阈值,通过与阈值比较以判断第二情感标签向量是否满足预设要求,从而可以避免脏话、种族言论和政治言论等危险回复语的生成。
请参阅图6,本申请实施例提供的一种情感分析的装置的一个实施例示意图。
本申请实施例提供的一种情感分析的装置,包括:
第一获取单元501,用于获取待处理文本;
第一生成单元502,用于生成表征待处理文本的第一特征向量;
第二生成单元503,用于根据预置的情感分析模型和第一特征向量生成第一情感标签向量,情感分析模型表征第一特征向量与第一情感标签向量之间的对应关系;
在第一情感标签向量中,一个维度上的数值表征一个情感标签对于待处理文本的第一重要程度。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,请参阅图7,本申请实施例提供的一种情感分析的装置的另一个实施例示意图。
在该实施例中,装置还包括:
第二获取单元504,用于获取训练文本集合,训练文本集合中包含至少一个训练文本;
第三生成单元505,用于对应每个训练文本,生成表征训练文本的第二特征向量;
第四生成单元506,用于根据第二特征向量生成与每个训练文本对应的第二情感标签向量;
在第二情感标签向量中,一个维度上的数值表征一个情感标签对于训练文本的第二重要程度,且第二情感标签向量对应的情感标签与第一情感标签向量对应的情感标签相同;
确定单元507,用于根据每个训练文本对应的第二特征向量和第二情感标签向量确定情感分析模型。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,第四生成单元506用于:
根据第二特征向量和预置的第一规则确定两两第二特征向量之间的第一相关程度;
获取每个训练文本对应的第三情感标签向量,在第三情感标签向量中,一个维度上的数值表征一个情感标签与训练文本的相关性,相关性为相关或不相关,且第三情感标签向量对应的情感标签与第一情感标签向量对应的情感标签相同;
对于任意两个训练文本,将第二特征向量之间的第一相关程度,确定为第三情感标签向量之间的第二相关程度;
根据第二相关程度、第三情感标签向量和预置的第二规则确定每个训练文本对应的第二情感标签向量。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,第四生成单元506用于:
以最小为第一目标函数进行迭代计算,获取迭代计算结束后的以确定两两第二特征向量之间的第一相关程度,其中q表示训练文本集合中训练文本的总数,xi表示第i个训练文本的第二特征向量,xj表示第j个训练文本的第二特征向量,表示xi与xj之间的第一相关程度。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,第四生成单元506用于:
以为第二目标函数进行迭代计算,获取迭代计算结束后的相关程度向量ri,以确定两两第二特征向量之间的第一相关程度,其中xi为第i个训练文本的第二特征向量,T为所有训练文本对应的第二特征向量构成的矩阵,{T-xi}表示除第i个训练文本之外的其他各个训练文本对应的第二特征向量构成的矩阵,相关程度向量ri表示第i个训练文本的第二特征向量,与其他各个训练文本的第二特征向量之间的第一相关程度,1≤i≤q。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,第四单元506用于:
以为第三目标函数对第三情感标签向量进行迭代优化,获取迭代优化结束后的第三情感标签向量作为第二情感标签向量,其中e_numericali和e_numericalj分别表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量,表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量之间的第二相关程度,q表示训练文本集合中训练文本的总数。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,确定单元507用于:
根据预置的最大熵模型训练得到情感分析模型f(yd|x,θ)表示根据特征向量x预测得到的情感标签向量在第d个维度上的取值,n表示情感标签向量的维度总数,θd表示情感标签在第d个维度上的取值与特征向量x的对应系数;
根据情感分析模型获取各训练文本的第二特征向量对应的预测情感标签向量;
计算各个训练文本的第二情感标签向量和预测情感标签向量之间的相对熵;
以各个训练文本对应的所有相对熵之和最小为目标函数,求解参数θd,以确定情感分析模型。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,
第一生成单元501,用于获取待处理文本的句向量和词频反文档频率特征;
根据句向量和词频反文档频率特征确定第一特征向量。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,装置还包括:
归一化单元508,用于对第一特征向量进行归一化处理,使得第一特征向量中的各个维度的数值位于预设范围内。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,装置还包括:
降维单元509,对第一特征向量进行降维处理。
在本申请实施例提供的一种情感分析的方法的另一个实施例中,装置还包括:
判断单元510,根据第一情感标签向量各维度上的数值判断待处理文本是否满足预设要求。
接下来,本申请实施例还提供了一种终端设备,如图8所示,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该属性信息展示装置可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、销售终端(Point of Sales,POS)、车载电脑等任意终端设备,以属性信息展示装置为手机为例:
图8示出的是与本发明实施例提供的属性信息展示装置相关的手机的部分结构的框图。参考图8,手机包括:射频(Radio Frequency,RF)电路810、存储器820、输入单元830、显示单元840、传感器850、音频电路860、无线保真(wireless fidelity,WiFi)模块870、处理器880、以及电源890等部件。本领域技术人员可以理解,图8中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图8对手机的各个构成部件进行具体地介绍:
RF电路810可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器880处理;另外,将设计上行的数据发送给基站。通常,RF电路810包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路810还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器820可用于存储软件程序以及模块,处理器880通过运行存储在存储器820的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器820可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器820可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元830可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元830可包括触控面板831以及其他输入设备88。触控面板831,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板831上或在触控面板831附近的操作),并根据预先设定的程式驱动相应的连接装置。可选地,触控面板831可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器880,并能接收处理器880发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板831。除了触控面板831,输入单元830还可以包括其他输入设备88。具体地,其他输入设备88可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元840可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元840可包括显示面板841,可选地,可以采用液晶显示器(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板841。进一步地,触控面板831可覆盖显示面板841,当触控面板831检测到在其上或附近的触摸操作后,传送给处理器880以确定触摸事件的类型,随后处理器880根据触摸事件的类型在显示面板841上提供相应的视觉输出。虽然在图8中,触控面板831与显示面板841是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板831与显示面板841集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器850,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板841的亮度,接近传感器可在手机移动到耳边时,关闭显示面板841和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路860、扬声器861,传声器862可提供用户与手机之间的音频接口。音频电路860可将接收到的音频数据转换后的电信号,传输到扬声器861,由扬声器861转换为声音信号输出;另一方面,传声器862将收集的声音信号转换为电信号,由音频电路860接收后转换为音频数据,再将音频数据输出处理器880处理后,经RF电路810以发送给比如另一手机,或者将音频数据输出至存储器820以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块870可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图8示出了WiFi模块870,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器880是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器820内的软件程序和/或模块,以及调用存储在存储器820内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选地,处理器880可包括一个或多个处理单元;可选地,处理器880可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器880中。
手机还包括给各个部件供电的电源890(比如电池),可选地,电源可以通过电源管理系统与处理器880逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像模块、蓝牙模块等,在此不再赘述。
在本发明实施例中,该终端设备所包括的处理器880还具有前述情感分析的装置的功能。
本申请实施例还提供了一种计算机存储介质,该计算机存储介质用于储存为上述情感分析的装置所用的计算机软件指令,其包括用于执行为情感分析的装置或终端设备所设计的程序。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种情感分析的方法,其特征在于,包括:
获取待处理文本;
生成表征所述待处理文本的第一特征向量;
根据预置的情感分析模型和所述第一特征向量生成第一情感标签向量,所述情感分析模型表征所述第一特征向量与所述第一情感标签向量之间的对应关系;
在所述第一情感标签向量中,一个维度上的数值表征一个情感标签对于所述待处理文本的第一重要程度。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取训练文本集合,所述训练文本集合中包含至少一个训练文本;
对应每个所述训练文本,生成表征所述训练文本的第二特征向量;
根据所述第二特征向量生成与每个所述训练文本对应的第二情感标签向量;
在所述第二情感标签向量中,一个维度上的数值表征一个情感标签对于所述训练文本的第二重要程度,且所述第二情感标签向量对应的情感标签与所述第一情感标签向量对应的情感标签相同;
根据每个所述训练文本对应的所述第二特征向量和所述第二情感标签向量确定所述情感分析模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二特征向量生成与每个所述训练文本对应的第二情感标签向量包括:
根据所述第二特征向量和预置的第一规则确定两两第二特征向量之间的第一相关程度;
获取每个所述训练文本对应的第三情感标签向量,在所述第三情感标签向量中,一个维度上的数值表征一个情感标签与所述训练文本的相关性,所述相关性为相关或不相关,且所述第三情感标签向量对应的情感标签与所述第一情感标签向量对应的情感标签相同;
对于任意两个训练文本,将第二特征向量之间的第一相关程度,确定为第三情感标签向量之间的第二相关程度;
根据所述第二相关程度、所述第三情感标签向量和预置的第二规则确定每个训练文本对应的第二情感标签向量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二特征向量和预置的第一规则确定两两第二特征向量之间的第一相关程度包括:
以最小为第一目标函数进行迭代计算,获取迭代计算结束后的以确定两两第二特征向量之间的第一相关程度,其中q表示所述训练文本集合中训练文本的总数,xi表示第i个训练文本的第二特征向量,xj表示第j个训练文本的第二特征向量,表示xi与xj之间的第一相关程度。
5.根据权利要求4所述的方法,其特征在于,所述以最小为第一目标函数进行迭代计算,获取迭代计算结束后的包括:
以为第二目标函数进行迭代计算,获取迭代计算结束后的相关程度向量ri,以确定两两第二特征向量之间的第一相关程度,其中xi为第i个训练文本的第二特征向量,T为所有训练文本对应的第二特征向量构成的矩阵,{T-xi}表示除第i个训练文本之外的其他各个训练文本对应的第二特征向量构成的矩阵,所述相关程度向量ri表示所述第i个训练文本的第二特征向量,与其他各个训练文本的第二特征向量之间的第一相关程度,1≤i≤q。
6.根据权利要求3至5中任意一项所述的方法,其特征在于,所述根据所述第二相关程度、所述第三情感标签向量和预置的第二规则确定每个训练文本对应的第二情感标签向量包括:
以为第三目标函数对所述第三情感标签向量进行迭代优化,获取迭代优化结束后的第三情感标签向量作为第二情感标签向量,其中e_numericali和e_numericalj分别表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量,表示第i个训练文本对应的第三情感标签向量和第j个训练文本对应的第三情感标签向量之间的第二相关程度,q表示所述训练文本集合中训练文本的总数。
7.根据权利要求2至6中任意一项所述的方法,其特征在于,所述根据每个所述训练文本对应的所述第二特征向量和所述第二情感标签向量确定所述情感分析模型包括:
根据预置的最大熵模型训练得到情感分析模型f(yd|x,θ)表示根据特征向量x预测得到的情感标签向量在第d个维度上的取值,n表示情感标签向量的维度总数,θd表示情感标签在第d个维度上的取值与特征向量x的对应系数;
根据情感分析模型获取各训练文本的第二特征向量对应的预测情感标签向量;
计算各个训练文本的第二情感标签向量和预测情感标签向量之间的相对熵;
以各个训练文本对应的所有相对熵之和最小为目标函数,求解参数θd,以确定所述情感分析模型。
8.根据权利要求1至7中任意一项所述的方法,其特征在于,所述生成表征所述待处理文本的第一特征向量包括:
获取所述待处理文本的句向量和词频反文档频率特征;
根据所述句向量和所述词频反文档频率特征确定所述第一特征向量。
9.根据权利要求8所述的方法,其特征在于,所述生成表征所述待处理文本的第一特征向量还包括:
对所述第一特征向量进行归一化处理,使得所述第一特征向量中的各个维度的数值位于预设范围内。
10.根据权利要求8或9所述的方法,其特征在于,所述生成表征所述待处理文本的第一特征向量还包括:
对所述第一特征向量进行降维处理。
11.根据权利要求1至10中任意一项所述的方法,其特征在于,还包括:
根据第一情感标签向量各维度上的数值判断所述待处理文本是否满足预设要求。
12.一种情感分析的装置,其特征在于,包括:
第一获取单元,用于获取待处理文本;
第一生成单元,用于生成表征所述待处理文本的第一特征向量;
第二生成单元,用于根据预置的情感分析模型和所述第一特征向量生成第一情感标签向量,所述情感分析模型表征所述第一特征向量与所述第一情感标签向量之间的对应关系;
在所述第一情感标签向量中,一个维度上的数值表征一个情感标签对于所述待处理文本的第一重要程度。
13.一种终端设备,其特征在于,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,以执行如权利要求1至11中任一项所述的方法。
14.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665337.7A CN110390102A (zh) | 2019-07-22 | 2019-07-22 | 一种情感分析的方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665337.7A CN110390102A (zh) | 2019-07-22 | 2019-07-22 | 一种情感分析的方法和相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390102A true CN110390102A (zh) | 2019-10-29 |
Family
ID=68287026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665337.7A Pending CN110390102A (zh) | 2019-07-22 | 2019-07-22 | 一种情感分析的方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390102A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078837A (zh) * | 2019-12-11 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN113420566A (zh) * | 2021-07-16 | 2021-09-21 | 山东浪潮科学研究院有限公司 | 一种长文语义合理性判断方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831184A (zh) * | 2012-08-01 | 2012-12-19 | 中国科学院自动化研究所 | 根据对社会事件的文字描述来预测社会情感的方法及系统 |
CN103688256A (zh) * | 2012-01-20 | 2014-03-26 | 华为技术有限公司 | 基于评论信息确定视频质量参数的方法、装置和系统 |
CN105930368A (zh) * | 2016-04-13 | 2016-09-07 | 深圳大学 | 一种情感分类方法及系统 |
CN108205522A (zh) * | 2016-12-16 | 2018-06-26 | 北京酷我科技有限公司 | 情感标注的方法及其系统 |
-
2019
- 2019-07-22 CN CN201910665337.7A patent/CN110390102A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103688256A (zh) * | 2012-01-20 | 2014-03-26 | 华为技术有限公司 | 基于评论信息确定视频质量参数的方法、装置和系统 |
CN102831184A (zh) * | 2012-08-01 | 2012-12-19 | 中国科学院自动化研究所 | 根据对社会事件的文字描述来预测社会情感的方法及系统 |
CN105930368A (zh) * | 2016-04-13 | 2016-09-07 | 深圳大学 | 一种情感分类方法及系统 |
CN108205522A (zh) * | 2016-12-16 | 2018-06-26 | 北京酷我科技有限公司 | 情感标注的方法及其系统 |
Non-Patent Citations (2)
Title |
---|
史绍亮;文益民;缪裕青;: "中文微博情感分类的简单多标签排序算法", 计算机应用, no. 10, 10 October 2015 (2015-10-10), pages 3 * |
秦锋;王恒;郑啸;王修君;: "基于上下文语境的微博情感分析", 计算机工程, no. 03, 15 March 2017 (2017-03-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078837A (zh) * | 2019-12-11 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN111078837B (zh) * | 2019-12-11 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN113420566A (zh) * | 2021-07-16 | 2021-09-21 | 山东浪潮科学研究院有限公司 | 一种长文语义合理性判断方法、设备及介质 |
CN113420566B (zh) * | 2021-07-16 | 2022-11-08 | 山东浪潮科学研究院有限公司 | 一种长文语义合理性判断方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009052B (zh) | 一种图像识别的方法、图像识别模型训练的方法及装置 | |
CN108304846B (zh) | 图像识别方法、装置及存储介质 | |
CN108304758B (zh) | 人脸特征点跟踪方法及装置 | |
CN109918975A (zh) | 一种增强现实的处理方法、对象识别的方法及终端 | |
CN109241431A (zh) | 一种资源推荐方法和装置 | |
CN108021572B (zh) | 回复信息推荐方法和装置 | |
CN109670174B (zh) | 一种事件识别模型的训练方法和装置 | |
CN111046227B (zh) | 一种视频查重方法及装置 | |
US10970523B2 (en) | Terminal and server for providing video call service | |
CN110704661B (zh) | 一种图像分类方法和装置 | |
CN111310079A (zh) | 评论信息排序方法、装置、存储介质及服务器 | |
CN107995370B (zh) | 通话控制方法、装置及存储介质和移动终端 | |
CN107947951A (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
CN109918684A (zh) | 模型训练方法、翻译方法、相关装置、设备及存储介质 | |
CN111177371B (zh) | 一种分类方法和相关装置 | |
CN110298212B (zh) | 模型训练方法、情绪识别方法、表情显示方法及相关设备 | |
CN110570840B (zh) | 一种基于人工智能的智能设备唤醒方法和装置 | |
CN104217717A (zh) | 构建语言模型的方法及装置 | |
CN109033156B (zh) | 一种信息处理方法、装置及终端 | |
CN110135497B (zh) | 模型训练的方法、面部动作单元强度估计的方法及装置 | |
CN110738211A (zh) | 一种对象检测的方法、相关装置以及设备 | |
CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
CN110033294A (zh) | 一种业务分值的确定方法、业务分值确定装置及介质 | |
CN113284142B (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
CN110209778A (zh) | 一种对话生成的方法以及相关装置 |
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 |