CN110415071A - 一种基于观点挖掘分析的汽车竞品对比方法 - Google Patents
一种基于观点挖掘分析的汽车竞品对比方法 Download PDFInfo
- Publication number
- CN110415071A CN110415071A CN201910592949.8A CN201910592949A CN110415071A CN 110415071 A CN110415071 A CN 110415071A CN 201910592949 A CN201910592949 A CN 201910592949A CN 110415071 A CN110415071 A CN 110415071A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- text
- training
- vehicle
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005065 mining Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 22
- 230000003252 repetitive effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000012552 review Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 6
- 230000008451 emotion Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract 1
- 238000013480 data collection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000020509 sex determination Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
Abstract
本发明公开了一种基于观点挖掘分析的汽车竞品对比方法,首先构建汽车用户评价训练数据集,之后使用深度学习网络结构,包括卷积神经网络TextCNN训练文本主题抽取模型、LSTM‑Attention训练文本情感极性判别模型;通过结合TextCNN及LSTM‑Attention两种深度学习模型,利用pipeline处理的方式得到汽车用户评价主题及主题情感打分,最后利用模型输出主题评价和情感极性实现基于汽车用户评论观点的汽车竞品对比。与现有技术相比,汽车竞品分析来源于用户评论,具有真实性高、可行性强的特点,且模型有良好的准确率和通用性。
Description
技术领域
本发明涉及自然语言处理观点挖掘分析领域,特别涉及一种基于观点挖掘分析的汽车竞品对比方法。
背景技术
伴随互联网2.0时代的迅速发展,传统生活方式和商业结构发生巨大变革,互联网伴随每个人生活的各个方面,人们习惯于在互联网中留下大量文本信息以发表观点、表述情感。随着政府对新能源汽车的大力扶植以及智能联网汽车兴起都预示着未来几年汽车行业的多元化发展及转变,汽车厂商需要了解自身产品是否能够满足消费者的需求,但传统的调研手段因为样本量小、效率低等缺陷已经无法满足当前快速发展的市场环境。因此,汽车厂商需要一种快速、准确的方式来了解消费者需求。在汽车行业领域,各大汽车门户网站存在大量消费者对各个车型评价数据,寻找合适的手段分析、处理这些数据能够使得汽车厂商加快研发进度,提高企业收益,用户观点挖掘及文本情感分析是该问题很好的解决方案。
近几年深度学习在自然语言处理领域特别是观点挖掘及分析领域中表现出了较强的泛化能力和鲁棒性。常用方法是将文本进行词嵌入处理,使用深度卷积网络(CNN),循环神经网络(RNN)对进行一系列词嵌入序列进行文本分类。使用CNN做分类模型基于单词或n-gram提取更高级别特征的特征函数,RNN是一种专门处理序列信息的神经网络,它循环往复地把前一步的计算结果作为条件,放进当前的输入中,特别适用于语言建模中。但缺点是存在长时依赖的问题,利用自注意力机制能让解码器利用最后的隐藏状态,以及基于输入隐藏状态序列计算的信息,有效地解决长时依赖的问题,并能捕获序列中各个局部关键信息。
结合CNN网络在少量数据集下便可以实现捕获文本局部信息和训练速度快以及LSTM网络捕获长语句的特点,本发明结合两者特点提出TextCNN,LSTM-Attention流处理模型,分别对汽车用户的观点进行主题类别抽取及主题词情感极性判别,进而对汽车车型各项指标进行打分,达到竞品分析的目的。
发明内容
鉴于现有的竞品分析大多是基于厂商数据,不包括用户的实际评价和观点,本发明的目的是提供一种深度学习TextCNN,LSTM-Attention流处理模型,利用用户观点评价汽车各项属性评分,进行汽车竞品分析对比。
实现本发明目的的技术方案如下:
一种基于观点挖掘分析的汽车竞品对比方法,通过构建流处理的深度网络学习框架,利用自然语言处理文本挖掘方法,挖掘汽车用户文本评价观点以实现汽车竞品对比,包含以下主要步骤:
步骤1、数据获取及预处理:
步骤1.1数据获取:评论数据收集,利用网络爬虫技术获得各大汽车网站中各个品牌汽车的用户评价信息;数据包括,汽车品牌、用户对该车型的文本评价和时间属性;
步骤1.2数据预处理:对步骤1.1中原始数据中的用户文本评价部分进行数据预处理其中包括:去除数据中非文本部分、中文分词以及去除停用词部分;
步骤1.3数据标注:定义汽车评论所属类别包括:操控、动力、空间、内饰、舒适、外观、油耗;对步骤1.2中处理后的用户文本评价数据标注,首先将评论所属类别进行标注,用户文本评价及文本评价所属类别作为数据集1;之后对各个评论的情感极性进行标记作为数据集2;经标记后,数据集1包括汽车品牌、用户对该车型的文本评价和文本评价所属类别,数据集2包括汽车品牌、用户对该车型的文本评价和文本评价情感极性;数据集1、数据集2分别包含4000条训练数据;
步骤2、训练TextCNN、LSTM-Attention模型:
步骤2.1模型参数配置:在步骤1.3中获得模型训练数据集总量为4000记为S;模型过程设置N个epochs,即模型迭代训练N次,选定每一个epoch的batch-size值为K,即在每次迭代训练过程中需要进行训练S/K次,每次K条文本参与训练,模型训练均使用交叉熵损失函数作为损失函数,模型训练使用Adam损失函数作为损失优化函数;
步骤2.2训练文本类别抽取模型Cm:将步骤1.3中经标注的数据集1作为训练数据输入给Cm,Cm模型判别评论的所属类别包括外观、内饰、空间、舒适、油耗、操控、性价比,采用多分类交叉熵损失函数结合L2范数优化损失,损失函数公式如下,其中lc表示为模型Cm的损失值,yi,k为真实数据,pi,k表示i个样本预测为第k个标签值的概率,S为样本总个数,K为标签总数,λL2(Cm)表示为对Cm模型参数的正则化以防止过拟合:
步骤2.3训练文本情感极性判别模型Sm:固定步骤2.2中模型Cm的参数,将步骤1.3中数据集2作为训练数据输入给模型Sm,Sm模型判别评论的所属情感极性包括积极和消极两方面,采用二分类交叉熵损失函数结合L2范数优化损失,损失函数公式如下,其中ls表示为模型Sm的损失值:
步骤2.4迭代训练Iterative training:重复步骤2.2和步骤2.3,当所有的epochs迭代训练完后保存Cm,Sm模型和模型参数信息;
步骤3、汽车车型打分及竞品分析:
步骤3.1:加载步骤2.4保存的Cm,Sm模型和模型参数信息;
步骤3.2:将采集的各个车型评价重复步骤1.2,将步骤1.2处理后的评论数据输入到文本类别抽取模型Cm和文本情感极性判别模型Sm得到各个评论的主题分类及情感极性;
步骤3.3:将步骤3.2中得到的各个评论的主题分类和情感极性按品牌、车型划分,并采用加权平均的方式得到确定车型的综合评分;具体计算方式如下:计算某一车型所属类别分数scorei,其中,Ntopic表示某一车型下所属某一类别的评价总数,Ppositive表示某一车型下所属某一类别中的积极的评论数,Pnegative表示某一车型下某一类别中的消极评论数;某一车型的总评分为scorecar,其中scorei表示为某一车型所属类别分数:
进一步地,步骤2.1中N为大于等于1的自然数;每次迭代训练过程中需要进行的训练次数S/K大于等于1;所用Adam梯度下降优化算法的学习率为10-4。
本发明的有益效果是:
1、区别于传统的汽车竞品分析方法,本发明采用用户评价评定汽车各个方面的优劣。传统的汽车竞品分析一般采用厂商提供的参数配置,分析方法复杂且不直观,与厂商提供的数据密切相关,利用用户观点评价的方法主观性强,能够有效地向消费者提供更好的购买决策并向汽车厂商提供改进意见。
2、创新利用TextCNN以及LSTM-Attention结合的方式,将用户观点提取及情感极性判定整合为一个pipeline流处理模型,并改进了传统情感极性判定模型,利用观点词与上下文结合的方式嵌入词向量,并通过Attention机制改进模型准确率。
3、本发明提出的TextCNN和LSTM-Attention pipeline流处理模型不仅可以用于汽车领域用户观点信息的挖掘,也适合于其他行业领域用户观点挖掘与分析,模型具有较好的通用能力和鲁棒性。
附图说明
图1是汽车竞品对比方法的工作流程图。其中图(a)为数据预处理过程与模型训练过程图,图(b)为竞品分析打分图。
图2是TextCNN模型。TextCNN网络主要是由卷积层(Convolution layer)和池化层(Poollayer)组成的全卷积神经网络(CNN),其网络特征压缩路径与特征扩展路径中通过卷积操作(Convolution operation)提取文本局部信息,池化操作(Pool operation)进行特征降维。
图3是LSTM-Attention网络模型结构图。LSTM-Attention主要由LSTM和Attention组成,其网络能够有效对上下文文本进行加权计算,更好地利用上下文信息,并突出情感词的作用。
图4是汽车竞品分析观点挖掘的演示样例,包含大众捷达、吉利帝豪、吉利远景三款车型。
具体实施方式
技术方案的实施步骤如下所示:
步骤1、数据集获取
步骤1.1:建立模型数据集。采集到的汽车用户文本观点评价信息文本预处理,首先利用Python爬虫技术,获取各大汽车网站的URL,定义汽车品牌、用户评价、评论时间为抽取属性进行数据获取。
步骤1.2:数据预处理,利用Python正则表达式过滤文本评价信息中的非文本部分,采用结巴分词库对文本评价进行分词处理。
步骤1.3:数据标注,对经步骤1.2处理后的数据按照外观、内饰、空间、舒适、油耗、操控描述进行标记,使用one hot编码方式,作为数据集1表示为 n为样本总数,i为one hot编码下标。同时对用户情感极性打标,情感极性为正则为1,情感极性为负为0,作为数据集2,数据集2表示为
步骤2、训练TextCNN、LSTM-Attention模型
步骤2.1:模型参数配置。训练TextCNN、LSTM-Attention模型,模型包含文本类别抽取模型Cm和文本情感极性判别模型Sm,文本类别抽取模型采用多分类神经网络设计,情感极性判别模型采用二分类神经网络。词向量层采用200维梯度下降更新的方式,训练模型过程设置100个epochs(即模型迭代训练100次),每一个epoch的batch-size为32(即在每次迭代训练过程中需要进行训练100次,每次32条文本参与训练),模型训练使用Adam损失函数(学习率为10-4)作为损失优化函数。
步骤2.2:训练模型Cm。将步骤1.2中模型训练数据集1分别输入给Cm模型,模型Cm的损失函数为:
文本类别抽取模型目标在于最小化:其中pi,k表示i个样本预测为第k个标签值的概率,S为样本总个数。
步骤2.3:训练模型Sm,。将步骤1.2中模型训练数据集2输入给Sm,采用二分类交叉熵损失函数优化损失。对于最小化以下目标:
为了让模型更加逼近,模型收敛速度更快,增加泛化能力,将Cm、Sm的初步损失函数与L2范数相结合,L2范数为:
L2(cm)=λr(∑θ∈Θθ2) (3)
模型的最终损失函数为:
其中λr为L2范数的损失权重分配。两个模型的综合目标都在于最小化Cm、Sm模型的损失函数λr参数值分别设置为0.1。
步骤2.4:迭代训练(Iterative training)。重复步骤2.2和步骤2.3,当所有的epochs迭代训练完后保存Cm、Sm模型和模型参数信息。
步骤3汽车车型打分及竞品分析
步骤3.1:加载步骤2.4保存的Cm,Sm模型和模型参数信息;
步骤3.2:将采集的各个车型评价重复步骤1.2,将步骤1.2处理后的评论数据输入到文本类别抽取模型Cm和文本情感极性判别模型Sm得到各个评论的主题分类及情感极性;
步骤3.3:按品牌、车型、对比不同车型之间各个所属类别中的情感极性,并采用加权平均的方式得到确定车型的综合评分。具体计算方式如下:计算某一车型所属类别分数scorei,其中,Ntopic表示某一车型下所属某一类别的评价总数,Ppositive表示某一车型下所属某一类别中的积极的评论数,Pnegative表示某一车型下某一类别中的消极评论数。某一车型的总评分为scorecar,其中scorei表示为某一车型所属类别分数。
为验证本发明的有效性,测试情感分析模型的效果,本发明在汽车文本数据集及SemEval2014-restaurant、ChnSentiCorp中文酒店数据进行了测试评价,评价指标为准确率Accuracy,评价指标的取值范围为[0,1],计算公式见公式(8),其中TP为预测正确的个数,N为数据总个数。
其中N对应为样本总数。对于使用的三个数据集的详细信息如下表1,模型准确率见表2。
表1三个观点挖掘数据集详细信息
表2模型比较
将大众与吉利汽车测试比较,其实验的结果如表3所示:
表3不同车型的打分评价
Claims (2)
1.一种基于观点挖掘分析的汽车竞品对比方法,通过构建流处理的深度网络学习框架,利用自然语言处理文本挖掘方法,挖掘汽车用户文本评价观点以实现汽车竞品对比,其特征在于,包含以下主要步骤:
步骤1、数据获取及预处理:
步骤1.1数据获取:评论数据收集,利用网络爬虫技术获得各大汽车网站中各个品牌汽车的用户评价信息;数据包括,汽车品牌、用户对该车型的文本评价和时间属性;
步骤1.2数据预处理:对步骤1.1中原始数据中的用户文本评价部分进行数据预处理其中包括:去除数据中非文本部分、中文分词以及去除停用词部分;
步骤1.3数据标注:定义汽车评论所属类别包括:操控、动力、空间、内饰、舒适、外观、油耗;对步骤1.2中处理后的用户文本评价数据标注,首先将评论所属类别进行标注,用户文本评价及文本评价所属类别作为数据集1;之后对各个评论的情感极性进行标记作为数据集2;经标记后,数据集1包括汽车品牌、用户对该车型的文本评价和文本评价所属类别,数据集2包括汽车品牌、用户对该车型的文本评价和文本评价情感极性;数据集1、数据集2分别包含4000条训练数据;
步骤2、训练TextCNN、LSTM-Attention模型:
步骤2.1模型参数配置:在步骤1.3中获得模型训练数据集总量为4000记为S;模型过程设置N个epochs,即模型迭代训练N次,选定每一个epoch的batch-size值为K,即在每次迭代训练过程中需要进行训练S/K次,每次K条文本参与训练,模型训练均使用交叉熵损失函数作为损失函数,模型训练使用Adam损失函数作为损失优化函数;
步骤2.2训练文本类别抽取模型Cm:将步骤1.3中经标注的数据集1作为训练数据输入给Cm,Cm模型判别评论的所属类别包括外观、内饰、空间、舒适、油耗、操控、性价比,采用多分类交叉熵损失函数结合L2范数优化损失,损失函数公式如下,其中lc表示为模型Cm的损失值,yi,k为真实数据,Pi,k表示i个样本预测为第k个标签值的概率,S为样本总个数,K为标签总数,λL2(Cm)表示为对Cm模型参数的正则化以防止过拟合:
步骤2.3训练文本情感极性判别模型Sm:固定步骤2.2中模型Cm的参数,将步骤1.3中数据集2作为训练数据输入给模型Sm,Sm模型判别评论的所属情感极性包括积极和消极两方面,采用二分类交叉熵损失函数结合L2范数优化损失,损失函数公式如下,其中ls表示为模型Sm的损失值:
步骤2.4迭代训练Iterative training:重复步骤2.2和步骤2.3,当所有的epochs迭代训练完后保存Cm,Sm模型和模型参数信息;
步骤3、汽车车型打分及竞品分析:
步骤3.1:加载步骤2.4保存的Cm,Sm模型和模型参数信息;
步骤3.2:将采集的各个车型评价重复步骤1.2,将步骤1.2处理后的评论数据输入到文本类别抽取模型Cm和文本情感极性判别模型Sm得到各个评论的主题分类及情感极性;
步骤3.3:将步骤3.2中得到的各个评论的主题分类和情感极性按品牌、车型划分,并采用加权平均的方式得到确定车型的综合评分;具体计算方式如下:计算某一车型所属类别分数scorei,其中,Ntopic表示某一车型下所属某一类别的评价总数,Ppositive表示某一车型下所属某一类别中的积极的评论数,Pnegative表示某一车型下某一类别中的消极评论数;某一车型的总评分为scorecar,其中scorei表示为某一车型所属类别分数:
2.根据权利要求1所述的一种基于观点挖掘分析的汽车竞品对比方法,其特征在于,步骤2.1中N为大于等于1的自然数;每次迭代训练过程中需要进行的训练次数S/K大于等于1;所用Adam梯度下降优化算法的学习率为10-4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910592949.8A CN110415071B (zh) | 2019-07-03 | 2019-07-03 | 一种基于观点挖掘分析的汽车竞品对比方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910592949.8A CN110415071B (zh) | 2019-07-03 | 2019-07-03 | 一种基于观点挖掘分析的汽车竞品对比方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415071A true CN110415071A (zh) | 2019-11-05 |
CN110415071B CN110415071B (zh) | 2024-02-27 |
Family
ID=68360114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910592949.8A Active CN110415071B (zh) | 2019-07-03 | 2019-07-03 | 一种基于观点挖掘分析的汽车竞品对比方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415071B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258472A (zh) * | 2020-10-20 | 2021-01-22 | 大连理工大学 | 一种汽车外造型自动评分方法 |
CN112800184A (zh) * | 2021-01-13 | 2021-05-14 | 华东师范大学 | 基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法 |
CN112905740A (zh) * | 2021-02-04 | 2021-06-04 | 合肥工业大学 | 一种竞品层次的主题偏好挖掘方法 |
CN113378543A (zh) * | 2021-06-28 | 2021-09-10 | 深圳前海微众银行股份有限公司 | 数据分析方法、训练数据分析模型的方法及电子设备 |
CN116644865A (zh) * | 2023-07-27 | 2023-08-25 | 中汽信息科技(天津)有限公司 | 商用车油耗预测方法、电子设备和存储介质 |
CN117131161A (zh) * | 2023-10-24 | 2023-11-28 | 北京社会管理职业学院(民政部培训中心) | 一种电动轮椅用户需求提取方法、系统及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
US20180260860A1 (en) * | 2015-09-23 | 2018-09-13 | Giridhari Devanathan | A computer-implemented method and system for analyzing and evaluating user reviews |
CN109190121A (zh) * | 2018-09-03 | 2019-01-11 | 重庆工商大学 | 基于汽车本体和词性规则的汽车评论情感分析方法 |
-
2019
- 2019-07-03 CN CN201910592949.8A patent/CN110415071B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260860A1 (en) * | 2015-09-23 | 2018-09-13 | Giridhari Devanathan | A computer-implemented method and system for analyzing and evaluating user reviews |
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
CN109190121A (zh) * | 2018-09-03 | 2019-01-11 | 重庆工商大学 | 基于汽车本体和词性规则的汽车评论情感分析方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258472A (zh) * | 2020-10-20 | 2021-01-22 | 大连理工大学 | 一种汽车外造型自动评分方法 |
CN112800184A (zh) * | 2021-01-13 | 2021-05-14 | 华东师范大学 | 基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法 |
CN112800184B (zh) * | 2021-01-13 | 2021-08-06 | 华东师范大学 | 基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法 |
CN112905740A (zh) * | 2021-02-04 | 2021-06-04 | 合肥工业大学 | 一种竞品层次的主题偏好挖掘方法 |
CN112905740B (zh) * | 2021-02-04 | 2022-08-30 | 合肥工业大学 | 一种竞品层次的主题偏好挖掘方法 |
CN113378543A (zh) * | 2021-06-28 | 2021-09-10 | 深圳前海微众银行股份有限公司 | 数据分析方法、训练数据分析模型的方法及电子设备 |
CN116644865A (zh) * | 2023-07-27 | 2023-08-25 | 中汽信息科技(天津)有限公司 | 商用车油耗预测方法、电子设备和存储介质 |
CN116644865B (zh) * | 2023-07-27 | 2023-10-20 | 中汽信息科技(天津)有限公司 | 商用车油耗预测方法、电子设备和存储介质 |
CN117131161A (zh) * | 2023-10-24 | 2023-11-28 | 北京社会管理职业学院(民政部培训中心) | 一种电动轮椅用户需求提取方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110415071B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763326B (zh) | 一种基于特征多样化的卷积神经网络的情感分析模型构建方法 | |
CN110415071A (zh) | 一种基于观点挖掘分析的汽车竞品对比方法 | |
CN108763284B (zh) | 一种基于深度学习和主题模型的问答系统实现方法 | |
CN109299268A (zh) | 一种基于双通道模型的文本情感分析方法 | |
CN109408823B (zh) | 一种基于多通道模型的特定目标情感分析方法 | |
CN108363695B (zh) | 一种基于双向依赖语法树表征的用户评论属性抽取方法 | |
CN108984530A (zh) | 一种网络敏感内容的检测方法及检测系统 | |
CN110110323B (zh) | 一种文本情感分类方法和装置、计算机可读存储介质 | |
CN109558487A (zh) | 基于层次性多注意力网络的文档分类方法 | |
CN110134946B (zh) | 一种针对复杂数据的机器阅读理解方法 | |
CN108763216A (zh) | 一种基于中文数据集的文本情感分析方法 | |
CN107480132A (zh) | 一种基于图像内容的古诗词生成方法 | |
CN109885670A (zh) | 一种面向话题文本的交互注意力编码情感分析方法 | |
CN111061843A (zh) | 一种知识图谱引导的假新闻检测方法 | |
CN109285562A (zh) | 基于注意力机制的语音情感识别方法 | |
CN107608956A (zh) | 一种基于cnn‑grnn的读者情绪分布预测算法 | |
CN107798140A (zh) | 一种对话系统构建方法、语义受控应答方法及装置 | |
CN110222178A (zh) | 文本情感分类方法、装置、电子设备及可读存储介质 | |
CN111274398A (zh) | 一种方面级用户产品评论情感分析方法及系统 | |
CN110390397A (zh) | 一种文本蕴含识别方法及装置 | |
CN107862087A (zh) | 基于大数据和深度学习的情感分析方法、装置和存储介质 | |
CN110427616A (zh) | 一种基于深度学习的文本情感分析方法 | |
CN110472245B (zh) | 一种基于层次化卷积神经网络的多标记情绪强度预测方法 | |
CN111428481A (zh) | 一种基于深度学习的实体关系抽取方法 | |
CN113505583A (zh) | 基于语义决策图神经网络的情感原因子句对提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |