CN110717334A - 基于bert模型和双通道注意力的文本情感分析方法 - Google Patents

基于bert模型和双通道注意力的文本情感分析方法 Download PDF

Info

Publication number
CN110717334A
CN110717334A CN201910852495.3A CN201910852495A CN110717334A CN 110717334 A CN110717334 A CN 110717334A CN 201910852495 A CN201910852495 A CN 201910852495A CN 110717334 A CN110717334 A CN 110717334A
Authority
CN
China
Prior art keywords
emotion
information
text
words
semantic
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
Application number
CN201910852495.3A
Other languages
English (en)
Other versions
CN110717334B (zh
Inventor
李烨
谢润忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910852495.3A priority Critical patent/CN110717334B/zh
Publication of CN110717334A publication Critical patent/CN110717334A/zh
Application granted granted Critical
Publication of CN110717334B publication Critical patent/CN110717334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种基于BERT模型和双通道注意力的文本情感分析方法,本方法构建情感语言库,并将文本数据进行分词,提取每条文本数据当中的情感信息词,为模型训练提供包含语义和情感信息词的双通道输入;提取文本语句中包含的情感信息词,得到每一条文本语句所对应的情感信息集合;利用BERT模型构造语义信息和情感信息的词向量双输入矩阵;在隐藏层分别加入由BiGRU神经网络和全连接网络组成的双通道注意力的特征提取模块,增强模型捕捉情感语义的能力;将得到的深层语义信息与情感信息词向量进行融合,得到最终的深层语义表达。本方法有效改善了语句级文本情感分析性能,通过实验对比,验证了本方法的优越性,并在多项评价指标中具有较好性能。

Description

基于BERT模型和双通道注意力的文本情感分析方法
技术领域
本发明涉及自然语言处理技术领域,尤其涉及一种基于BERT模型和双通道注意力的文本情感分析方法。
背景技术
文本中语句级别的文本情感分析,即针对语句的情感倾向性分析是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。随着论坛讨论、博客和推特等社交媒体的发展,已拥有了海量的情绪化数据,因此情感分析技术扮演着越来越重要的角色。基于神经网络的深度学习模型,可以学习得到词语的分布式向量表示,这种低维、连续的词表示形式,克服了传统词表示方法的缺点,并能够很好地作为其他深度神经网络模型的输入,通过多层网络的不断学习,得到更加抽象的高层文本特征,进而提高模型的性能。
此外,BERT(Bidirectional Encoder Representation from Transformers)模型为谷歌近期推出的用于语言处理的基础模型,其预训练的词向量表示技术在近段时间里已经取得了众多突破性进展。
对比传统情感分类方法,情感词、否定词、强度词等情感信息词起着至关重要的作用。尽管情感语言词很有用,但在近几年的卷积神经网络(CNN)和长短时记忆网络(LSTM)等深度神经网络模型中,情感语言知识的应用还很有限。人们在表述自己观点时,往往会添加必要的修饰词。修饰词词典一般包括否定词、程度副词、连词等部分,当情感词被这些修饰词围绕时,有很大的概率伴随着整句的情感极性变化,例如极性反转、加强或减弱等。因此,综合考虑情感词和修饰词对判断文本情感极性至关重要。
发明内容
本发明所要解决的技术问题是提供一种基于BERT模型和双通道注意力的文本情感分析方法,本方法克服传统情感分析的缺陷,相比其它词向量工具,BERT模型的特征提取能力更为优异,而情感信息通道和注意力机制增强了模型捕捉情感语义的能力,提高了情感分类性能,且在收敛速度和稳定性上更优。
为解决上述技术问题,本发明基于BERT模型和双通道注意力的文本情感分析方法包括如下步骤:
步骤一、通过现有的中文情感语言库,构建一个包含情感词、程度副词、否定词的自定义情感语言库;
步骤二、利用NLPIR工具将文本数据进行分词,以自定义情感语言库作为分词词典,提取每条文本数据中的情感信息词,为BERT模型训练提供包含语义信息词{W1,W2,…,Wn}和情感信息词{E1,E2,…,Em}的双通道输入;
步骤三、通过BERT模型为双通道语义和情感信息词的输入提供词向量,配合文本上下文语境进行词向量的动态调整,将真实情感语义嵌入BERT模型进行训练,得到语义信息词向量矩阵Rx和情感信息词向量矩阵Re
Figure BDA0002197272480000021
Figure BDA0002197272480000022
其中:
Figure BDA0002197272480000023
为行向量连接运算符,Rx和Re的维数为评论文本中词语的数目和情感信息词的数目;
步骤四、对于语义信息文本,采用BiGRU神经网络同时处理正向和反向文本序列,对文本深层次信息进行特征提取,利用注意力机制对提取的特征信息分配相应的权重;对于情感信息集合,采用全连接网络与注意力机制相结合的方式对情感信息词进行编码,获取最重要的情感信号;
其中,某一时刻t的BiGRU神经网络信息提取模块输出状态由正向GRU网络和反向GRU网络的输出相连接组成,其计算方法为:
Figure BDA0002197272480000024
Figure BDA0002197272480000025
Figure BDA0002197272480000026
其中:xt表示当前时刻的输入,通过结合正向GRU输出
Figure BDA0002197272480000027
与反向GRU输出
Figure BDA0002197272480000028
得到隐藏层的语义表示st,T表示时间序列长度,正向的语义信息和反向的语义信息以相同的地位被考虑;
步骤五、为捕获更直接的语义依赖关系,将评论语义信息文本的BiGRU神经网络输出
Figure BDA0002197272480000029
和情感信息集合的全连接网络输出
Figure BDA00021972724800000210
分别输入到注意力机制中,采用双通道注意力分别对评论文本的语句和情感符号进行编码,注意力机制的计算方法如下:
ut=tanh(wwht+bw) (6)
Figure BDA0002197272480000031
Figure BDA0002197272480000032
其中:ww与bw为注意力机制的可调节权重和偏置项,ht为BiGRU神经网络层和全连接网络的输出,ut为ht的隐含状态,uw为softmax分类器的权重参数,αt表示语句中每个词的重要度信息,V为经过注意力机制计算后的特征向量;
步骤六、将由双通道通过注意力机制后生成的特征向量Vs和Ve进行合并,从而构建文本整体的情感特征向量V*,然后将其输入softmax分类器,从而得到最终预测的情感分类结果:
p=softmax(w2V*+b2) (9)
其中,w2为权重系数矩阵,b2为偏置矩阵,p为输出的预测情感标签。
进一步,所述步骤六中,为了简化模型的计算量,采用行连接的方式对特征向量Vs和Ve进行融合,构建一个(rs+re)×c的矩阵V*,生成最终情感特征向量;其中:rs和re分别表示Vs和Ve的行数,c表示Vs和Ve的列数。
由于本发明基于BERT模型和双通道注意力的文本情感分析方法采用了上述技术方案,即本方法构建包含情感词、否定词、程度副词的情感语言库,提取文本句子中包含的情感信息词,从而得到每一条文本语句所对应的情感信息集合;利用BERT模型构造语义信息和情感信息的词向量双输入矩阵;在隐藏层分别加入由BiGRU神经网络和全连接网络组成的双通道注意力的特征提取模块,增强模型捕捉情感语义的能力;将得到的深层语义信息与情感信息词向量进行融合,得到最终的深层语义表达。本方法有效改善了语句级文本情感分析性能,通过多个实验对比,验证了本方法的优越性,并在多项评价指标中均取得了较好的性能。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明:
图1为本发明基于BERT模型和双通道注意力的文本情感分析方法的原理框图;
图2为本方法中GRU网络的结构示意图;
图3为对比实验中准确率的变化曲线;
图4为对比实验中损失率的变化曲线。
具体实施方式
实施例如图1所示,本发明基于BERT模型和双通道注意力的文本情感分析方法包括如下步骤:
步骤一、通过现有的中文情感语言库,构建一个包含情感词、程度副词、否定词的自定义情感语言库;
步骤二、利用NLPIR工具将文本数据进行分词,以自定义情感语言库作为分词词典,提取每条文本数据中的情感信息词,为BERT模型训练提供包含语义信息词{W1,W2,…,Wn}和情感信息词{E1,E2,…,Em}的双通道输入;
步骤三、通过BERT模型为双通道语义和情感信息词的输入提供词向量,配合文本上下文语境进行词向量的动态调整,将真实情感语义嵌入BERT模型进行训练,得到语义信息词向量矩阵Rx和情感信息词向量矩阵Re
Figure BDA0002197272480000042
其中:
Figure BDA0002197272480000043
为行向量连接运算符,Rx和Re的维数为评论文本中词语的数目和情感信息词的数目;
步骤四、对于语义信息文本,采用BiGRU神经网络同时处理正向和反向文本序列,对文本深层次信息进行特征提取,利用注意力机制对提取的特征信息分配相应的权重;对于情感信息集合,采用全连接网络与注意力机制相结合的方式对情感信息词进行编码,获取最重要的情感信号;
其中,某一时刻t的BiGRU神经网络信息提取模块输出状态由正向GRU网络和反向GRU网络的输出相连接组成,其计算方法为:
Figure BDA0002197272480000044
Figure BDA0002197272480000046
其中:xt表示当前时刻的输入,通过结合正向GRU输出
Figure BDA0002197272480000047
与反向GRU输出得到隐藏层的语义表示st,T表示时间序列长度,正向的语义信息和反向的语义信息以相同的地位被考虑;
步骤五、为捕获更直接的语义依赖关系,将评论语义信息文本的BiGRU神经网络输出
Figure BDA0002197272480000049
和情感信息集合的全连接网络输出
Figure BDA00021972724800000410
分别输入到注意力机制中,采用双通道注意力分别对评论文本的语句和情感符号进行编码,注意力机制的计算方法如下:
ut=tanh(wwht+bw) (6)
Figure BDA0002197272480000051
其中:ww与bw为注意力机制的可调节权重和偏置项,ht为BiGRU神经网络层和全连接网络的输出,ut为ht的隐含状态,uw为softmax分类器的权重参数,αt表示语句中每个词的重要度信息,V为经过注意力机制计算后的特征向量,其分别代表由双通道通过注意力机制后生成的特征向量Vs和Ve;此处为表述方便,ht表示为BiGRU神经网络层输出和全连接网络输出的统称,表示隐藏状态的输出;
步骤六、将由双通道通过注意力机制后生成的特征向量Vs和Ve进行合并,从而构建文本整体的情感特征向量V*,然后将其输入softmax分类器,从而得到最终预测的情感分类结果:
p=softmax(w2V*+b2) (3)
其中:w2为权重系数矩阵,b2为偏置矩阵,p为输出的预测情感标签。
优选的,所述步骤六中,为了简化模型的计算量,采用行连接的方式对特征向量Vs和Ve进行融合,构建一个(rs+re)×c的矩阵V*,生成最终情感特征向量;其中:rs和re分别表示Vs和Ve的行数,c表示Vs和Ve的列数。
如图1所示,本方法在结构上采用了两个信息处理通道:左侧为语义信息注意力通道(SAC),右侧为情感信息注意力通道(EAC),分别具有输入层、信息提取层及特征融合层,经融合的情感特征向量输入softmax分类器,得到最终预测的情感分类结果。
本方法为了解决以双向长短时记忆神经网络(BiLSTM)为基础的文本情感分析模型不能充分学习文本上下文语义情感信息的问题,考虑构建了BiGRU-Attention深度学习的神经网络模型,其中GRU网络最大的优点在于很好地解决了循环神经网络中的长期依赖问题,且被认为更易于计算和实施,其模型结构如图2所示,它保留了LSTM对解决梯度消失问题的优点,但内部结构更简单,只有两个控制门函数,更新门函数zt和重置门函数rt,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多,重置门控制前一状态有多少信息被写入到当前的候选集
Figure BDA0002197272480000061
上,重置门越小,前一状态的信息被写入的越少。GRU网络的参数比LSTM减少了1/3,不容易产生过拟合,同时由于采取对cell进行融合和其它一些改进,在收敛时间和需要的迭代次数上更胜一筹。单向GRU网络在使用时是从上文向下文推进的,容易导致后面的词比前面的词更重要,双向GRU网络(BiGRU)通过增加从后往前传递信息的隐藏层,能更充分利用上下文信息,克服了这一缺陷。注意力(Attention)通过计算概率分布,选择出对当前任务目标更关键的信息,对深度学习模型起到优化作用,提高模型提取真实语义信息的能力。并且,情感词典的构建从情感词提取出发,针对性地提高了情感词、否定词、程度副词对文本序列的影响,增强模型情感表征能力。
结合BERT-BiLSTM、BERT-SAC以及本方法(BERT-DCA)进行实验对比,实验采用流行的中文情感挖掘酒店评论语料ChnSentiCorp作为实验数据集,情感词词典来自大连理工大学的情感词本体数据库,程度副词和否定词来自知网中文词库HowNet。为了构建语义信息和情感信息的词向量,采用结巴分词系统对酒店评论语料文本句子进行分词,在分词过程中,将构建的情感语言库作为自定义分词词典,使其在分词后作为一个基本的语言单元存在。此外,还进行了去停用词等文本预处理。实验设置的超参数如表1。
表1
参数 含义
batchSize 每批次使用的样本数 64
embeddingSize 词嵌入维度 200
gru_size GRU网络单元数 128
dropoutKeepProb 丢失率 0.5
learningRate 学习率 0.001
l2RegLambda L2正则化系数 0.001
如图3和图4所示,显示了对比实验准确率和损失率的变化曲线,由图3可以观察到本方法(BERT-DCA)的准确率始终高于其它两种模型。然而,并不是训练次数越多,准确率越高,BERT-DCA和BERT-SAC模型收敛速度更快,在第4次训练时取得了最高准确率,而BERT-BiGRU至第6次训练才取得最高值,突出了注意力机制对模型的优化效果。且每一种模型在获得最高准确率以后,都出现了略微波动的下降,但BERT-DCA的下降幅度最小。因此,BERT-DCA不仅收敛速度快,且稳定性也更好。图4中,BERT-DCA的损失率始终低于其他两种模型,并在第4次训练时取得了约为0.18的最低损失率;类似地,BERT-SAC模型的损失率也在第4次取得最小值;但是相对而言,BERT-DCA收敛速率比BERT-SAC模型更快,这个特点与BERT-DCA在准确率方面展示的优势相得益彰,也突出了本方法的优化效果。
本方法在构建BiGRU-Attention神经网络模型基础上,引入情感词典,搭建了并行的情感信息注意力通道,大大增强了文本情感信息词的情感表征,并且能最大化地提取文本深层语义,使得潜在语义得以充分表达;同时BERT预训练模型的引入,促进文本词向量伴随着语境实现动态调整,有效提升了情感分类性能。

Claims (2)

1.一种基于BERT模型和双通道注意力的文本情感分析方法,其特征在于本方法包括如下步骤:
步骤一、通过现有的中文情感语言库,构建一个包含情感词、程度副词、否定词的自定义情感语言库;
步骤二、利用NLPIR工具将文本数据进行分词,以自定义情感语言库作为分词词典,提取每条文本数据中的情感信息词,为BERT模型训练提供包含语义信息词{W1,W2,…,Wn}和情感信息词{E1,E2,…,Em}的双通道输入;
步骤三、通过BERT模型为双通道语义和情感信息词的输入提供词向量,配合文本上下文语境进行词向量的动态调整,将真实情感语义嵌入BERT模型进行训练,得到语义信息词向量矩阵Rx和情感信息词向量矩阵Re
Figure FDA0002197272470000011
Figure FDA0002197272470000012
其中:
Figure FDA0002197272470000013
为行向量连接运算符,Rx和Re的维数为评论文本中词语的数目和情感信息词的数目;
步骤四、对于语义信息文本,采用BiGRU神经网络同时处理正向和反向文本序列,对文本深层次信息进行特征提取,利用注意力机制对提取的特征信息分配相应的权重;对于情感信息集合,采用全连接网络与注意力机制相结合的方式对情感信息词进行编码,获取最重要的情感信号;
其中,某一时刻t的BiGRU神经网络信息提取模块输出状态由正向GRU网络和反向GRU网络的输出相连接组成,其计算方法为:
Figure FDA0002197272470000014
Figure FDA0002197272470000015
Figure FDA0002197272470000016
其中:xt表示当前时刻的输入,通过结合正向GRU输出
Figure FDA0002197272470000017
与反向GRU输出得到隐藏层的语义表示st,T表示时间序列长度,正向的语义信息和反向的语义信息以相同的地位被考虑;
步骤五、为捕获更直接的语义依赖关系,将评论语义信息文本的BiGRU神经网络输出
Figure FDA0002197272470000019
和情感信息集合的全连接网络输出
Figure FDA00021972724700000110
分别输入到注意力机制中,采用双通道注意力分别对评论文本的语句和情感符号进行编码,注意力机制的计算方法如下:
ut=tanh(wwht+bw) (6)
Figure FDA0002197272470000021
Figure FDA0002197272470000022
其中:ww与bw为注意力机制的可调节权重和偏置项,ht为BiGRU神经网络层和全连接网络的输出,ut为ht的隐含状态,uw为softmax分类器的权重参数,αt表示语句中每个词的重要度信息,V为经过注意力机制计算后的特征向量;
步骤六、将由双通道通过注意力机制后生成的特征向量Vs和Ve进行合并,从而构建文本整体的情感特征向量V*,然后将其输入softmax分类器,从而得到最终预测的情感分类结果:
p=softmax(w2V*+b2) (9)
其中:w2为权重系数矩阵,b2为偏置矩阵,p为输出的预测情感标签。
2.根据权利要求1所述的基于BERT模型和双通道注意力的文本情感分析方法,其特征在于:所述步骤六中,为了简化模型的计算量,采用行连接的方式对特征向量Vs和Ve进行融合,构建一个(rs+re)×c的矩阵V*,生成最终情感特征向量;其中:rs和re分别表示Vs和Ve的行数,c表示Vs和Ve的列数。
CN201910852495.3A 2019-09-10 2019-09-10 基于bert模型和双通道注意力的文本情感分析方法 Active CN110717334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910852495.3A CN110717334B (zh) 2019-09-10 2019-09-10 基于bert模型和双通道注意力的文本情感分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910852495.3A CN110717334B (zh) 2019-09-10 2019-09-10 基于bert模型和双通道注意力的文本情感分析方法

Publications (2)

Publication Number Publication Date
CN110717334A true CN110717334A (zh) 2020-01-21
CN110717334B CN110717334B (zh) 2023-10-10

Family

ID=69209758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910852495.3A Active CN110717334B (zh) 2019-09-10 2019-09-10 基于bert模型和双通道注意力的文本情感分析方法

Country Status (1)

Country Link
CN (1) CN110717334B (zh)

Cited By (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339305A (zh) * 2020-03-20 2020-06-26 北京中科模识科技有限公司 文本分类方法、装置、电子设备及存储介质
CN111368551A (zh) * 2020-02-14 2020-07-03 京东数字科技控股有限公司 一种确定事件主体的方法和装置
CN111414454A (zh) * 2020-03-16 2020-07-14 昆明理工大学 基于bert模型和法条知识的法条推荐处理方法
CN111444709A (zh) * 2020-03-09 2020-07-24 腾讯科技(深圳)有限公司 文本分类方法、装置、存储介质及设备
CN111522956A (zh) * 2020-05-08 2020-08-11 河南理工大学 基于双通道和层次化注意力网络的文本情感分类方法
CN111538809A (zh) * 2020-04-20 2020-08-14 马上消费金融股份有限公司 一种语音服务质量检测方法、模型训练方法及装置
CN111858944A (zh) * 2020-07-31 2020-10-30 电子科技大学 一种基于注意力机制的实体方面级情感分析方法
CN111881291A (zh) * 2020-06-19 2020-11-03 山东师范大学 一种文本情感分类方法及系统
CN111950296A (zh) * 2020-08-21 2020-11-17 桂林电子科技大学 一种基于bert微调模型的评论目标情感分析
CN111966827A (zh) * 2020-07-24 2020-11-20 大连理工大学 基于异构二部图的对话情感分析方法
CN112002409A (zh) * 2020-07-27 2020-11-27 山东师范大学 一种中医辅助诊断系统
CN112070139A (zh) * 2020-08-31 2020-12-11 三峡大学 基于bert与改进lstm的文本分类方法
CN112069831A (zh) * 2020-08-21 2020-12-11 三峡大学 基于bert模型和增强混合神经网络的不实信息检测方法
CN112069320A (zh) * 2020-09-10 2020-12-11 东北大学秦皇岛分校 一种基于跨度的细粒度情感分析方法
CN112131886A (zh) * 2020-08-05 2020-12-25 浙江工业大学 一种文本的方面级别情感分析方法
CN112149418A (zh) * 2020-09-23 2020-12-29 西藏民族大学 一种基于词向量表示学习的中文分词方法及系统
CN112163607A (zh) * 2020-09-17 2021-01-01 平顶山学院 基于多维度和多层次联合建模的网络社会媒体情感分类方法
CN112183094A (zh) * 2020-11-03 2021-01-05 北京信息科技大学 一种基于多元文本特征的中文语法查错方法及系统
CN112307212A (zh) * 2020-11-11 2021-02-02 上海昌投网络科技有限公司 一种用于广告投放的投放舆情监测方法
CN112328797A (zh) * 2020-11-24 2021-02-05 山东师范大学 一种基于神经网络和注意力机制的情感分类方法及系统
CN112434143A (zh) * 2020-11-20 2021-03-02 西安交通大学 基于gru单元隐藏状态约束的对话方法、存储介质及系统
CN112463965A (zh) * 2020-12-03 2021-03-09 上海欣方智能系统有限公司 一种对文本的语义理解的方法及系统
CN112528668A (zh) * 2020-11-27 2021-03-19 湖北大学 深层情感语义识别方法、系统、介质、计算机设备及终端
CN112784041A (zh) * 2021-01-06 2021-05-11 河海大学 一种中文短文本情感倾向性分析方法
CN112800776A (zh) * 2021-03-10 2021-05-14 湖北工业大学 双向gru关系抽取数据处理方法、系统、终端、介质
CN112818118A (zh) * 2021-01-22 2021-05-18 大连民族大学 基于反向翻译的中文幽默分类模型
CN112836054A (zh) * 2021-03-08 2021-05-25 重庆大学 一种基于共生注意力表示学习的服务分类方法
CN112966526A (zh) * 2021-04-20 2021-06-15 吉林大学 一种基于情感词向量的汽车在线评论情感分析方法
CN113032570A (zh) * 2021-04-12 2021-06-25 武汉工程大学 一种基于ATAE-BiGRU的文本方面情感分类方法及系统
CN113051897A (zh) * 2021-05-25 2021-06-29 中国电子科技集团公司第三十研究所 一种基于Performer结构的GPT2文本自动生成方法
CN113158644A (zh) * 2021-05-13 2021-07-23 山西大学 一种基于多任务学习的修辞格及隐式情绪识别方法
CN113222772A (zh) * 2021-04-08 2021-08-06 合肥工业大学 本土人格词典构建方法、系统、存储介质以及电子设备
CN113298179A (zh) * 2021-06-15 2021-08-24 南京大学 一种海关商品异常价格检测方法和装置
CN113326374A (zh) * 2021-05-25 2021-08-31 成都信息工程大学 基于特征增强的短文本情感分类方法及系统
CN113505583A (zh) * 2021-05-27 2021-10-15 山东交通学院 基于语义决策图神经网络的情感原因子句对提取方法
CN113591475A (zh) * 2021-08-03 2021-11-02 美的集团(上海)有限公司 无监督可解释分词的方法、装置和电子设备
CN113609294A (zh) * 2021-08-10 2021-11-05 北京工商大学 一种基于情感分析的生鲜冷链监管方法及系统
CN113609305A (zh) * 2021-07-27 2021-11-05 三峡大学 基于bert的影视作品地域知识图谱构建方法及系统
CN113645126A (zh) * 2021-08-13 2021-11-12 黎明职业大学 一种集成情感分析的即时通讯方法
CN113705238A (zh) * 2021-06-17 2021-11-26 梧州学院 基于bert和方面特征定位模型的方面级情感分析方法及模型
CN113836286A (zh) * 2021-09-26 2021-12-24 南开大学 一种基于问答匹配的社区孤寡老人情感分析方法及系统
CN114386389A (zh) * 2020-10-22 2022-04-22 四川大学 基于联合学习的方面情感分析方法
CN114443846A (zh) * 2022-01-24 2022-05-06 重庆邮电大学 一种基于多层级文本异构图的分类方法、装置及电子设备
CN114548097A (zh) * 2022-02-15 2022-05-27 南京邮电大学 基于汉字和拼音信息融合的情感分析方法
CN114579707A (zh) * 2022-03-07 2022-06-03 桂林旅游学院 一种基于bert神经网络与多语义学习的方面级情感分析方法
CN114595687A (zh) * 2021-12-20 2022-06-07 昆明理工大学 基于BiLSTM的老挝语文本正则化方法
CN114626372A (zh) * 2022-02-25 2022-06-14 华南理工大学 基于扰动改良的自注意力机制社交网络文本情感分析方法
CN114912169A (zh) * 2022-04-24 2022-08-16 浙江英集动力科技有限公司 基于多源信息融合的工业建筑供热自主优化调控方法
CN116205222A (zh) * 2023-05-06 2023-06-02 南京邮电大学 一种基于多通道注意力融合的方面级情感分析系统及方法
CN117009925A (zh) * 2023-10-07 2023-11-07 北京华电电子商务科技有限公司 一种基于方面的多模态情感分析系统和方法
CN117574916A (zh) * 2023-12-12 2024-02-20 合肥工业大学 临时报告语义分析方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472031A (zh) * 2018-11-09 2019-03-15 电子科技大学 一种基于双记忆注意力的方面级别情感分类模型及方法
CN110069778A (zh) * 2019-04-18 2019-07-30 东华大学 中文融入嵌入词位置感知的商品情感分析方法
CN110083831A (zh) * 2019-04-16 2019-08-02 武汉大学 一种基于BERT-BiGRU-CRF的中文命名实体识别方法
CN110147452A (zh) * 2019-05-17 2019-08-20 北京理工大学 一种基于层级bert神经网络的粗粒度情感分析方法
CN110209817A (zh) * 2019-05-31 2019-09-06 安徽省泰岳祥升软件有限公司 文本处理模型的训练方法、装置和文本处理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472031A (zh) * 2018-11-09 2019-03-15 电子科技大学 一种基于双记忆注意力的方面级别情感分类模型及方法
CN110083831A (zh) * 2019-04-16 2019-08-02 武汉大学 一种基于BERT-BiGRU-CRF的中文命名实体识别方法
CN110069778A (zh) * 2019-04-18 2019-07-30 东华大学 中文融入嵌入词位置感知的商品情感分析方法
CN110147452A (zh) * 2019-05-17 2019-08-20 北京理工大学 一种基于层级bert神经网络的粗粒度情感分析方法
CN110209817A (zh) * 2019-05-31 2019-09-06 安徽省泰岳祥升软件有限公司 文本处理模型的训练方法、装置和文本处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUIXIAN XU: "Sentiment Analysis of Comment", 《IEEE》 *

Cited By (80)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368551A (zh) * 2020-02-14 2020-07-03 京东数字科技控股有限公司 一种确定事件主体的方法和装置
CN111368551B (zh) * 2020-02-14 2023-12-05 京东科技控股股份有限公司 一种确定事件主体的方法和装置
CN111444709A (zh) * 2020-03-09 2020-07-24 腾讯科技(深圳)有限公司 文本分类方法、装置、存储介质及设备
CN111414454B (zh) * 2020-03-16 2022-07-19 昆明理工大学 基于bert模型和法条知识的法条推荐处理方法
CN111414454A (zh) * 2020-03-16 2020-07-14 昆明理工大学 基于bert模型和法条知识的法条推荐处理方法
CN111339305A (zh) * 2020-03-20 2020-06-26 北京中科模识科技有限公司 文本分类方法、装置、电子设备及存储介质
CN111339305B (zh) * 2020-03-20 2023-04-14 北京中科模识科技有限公司 文本分类方法、装置、电子设备及存储介质
CN111538809A (zh) * 2020-04-20 2020-08-14 马上消费金融股份有限公司 一种语音服务质量检测方法、模型训练方法及装置
CN111522956A (zh) * 2020-05-08 2020-08-11 河南理工大学 基于双通道和层次化注意力网络的文本情感分类方法
CN111881291A (zh) * 2020-06-19 2020-11-03 山东师范大学 一种文本情感分类方法及系统
CN111966827A (zh) * 2020-07-24 2020-11-20 大连理工大学 基于异构二部图的对话情感分析方法
CN111966827B (zh) * 2020-07-24 2024-06-11 大连理工大学 基于异构二部图的对话情感分析方法
CN112002409A (zh) * 2020-07-27 2020-11-27 山东师范大学 一种中医辅助诊断系统
CN111858944B (zh) * 2020-07-31 2022-11-22 电子科技大学 一种基于注意力机制的实体方面级情感分析方法
CN111858944A (zh) * 2020-07-31 2020-10-30 电子科技大学 一种基于注意力机制的实体方面级情感分析方法
CN112131886A (zh) * 2020-08-05 2020-12-25 浙江工业大学 一种文本的方面级别情感分析方法
CN111950296A (zh) * 2020-08-21 2020-11-17 桂林电子科技大学 一种基于bert微调模型的评论目标情感分析
CN112069831A (zh) * 2020-08-21 2020-12-11 三峡大学 基于bert模型和增强混合神经网络的不实信息检测方法
CN111950296B (zh) * 2020-08-21 2023-10-20 湖南马兰数字教育科技有限公司 一种基于bert微调模型的评论目标情感分析
CN112069831B (zh) * 2020-08-21 2024-05-31 三峡大学 基于bert模型和增强混合神经网络的不实信息检测方法
CN112070139B (zh) * 2020-08-31 2023-12-26 三峡大学 基于bert与改进lstm的文本分类方法
CN112070139A (zh) * 2020-08-31 2020-12-11 三峡大学 基于bert与改进lstm的文本分类方法
CN112069320A (zh) * 2020-09-10 2020-12-11 东北大学秦皇岛分校 一种基于跨度的细粒度情感分析方法
CN112069320B (zh) * 2020-09-10 2022-06-28 东北大学秦皇岛分校 一种基于跨度的细粒度情感分析方法
CN112163607A (zh) * 2020-09-17 2021-01-01 平顶山学院 基于多维度和多层次联合建模的网络社会媒体情感分类方法
CN112149418A (zh) * 2020-09-23 2020-12-29 西藏民族大学 一种基于词向量表示学习的中文分词方法及系统
CN114386389B (zh) * 2020-10-22 2023-06-06 四川大学 基于联合学习的方面情感分析方法
CN114386389A (zh) * 2020-10-22 2022-04-22 四川大学 基于联合学习的方面情感分析方法
CN112183094A (zh) * 2020-11-03 2021-01-05 北京信息科技大学 一种基于多元文本特征的中文语法查错方法及系统
CN112183094B (zh) * 2020-11-03 2023-06-16 北京信息科技大学 一种基于多元文本特征的中文语法查错方法及系统
CN112307212A (zh) * 2020-11-11 2021-02-02 上海昌投网络科技有限公司 一种用于广告投放的投放舆情监测方法
CN112434143B (zh) * 2020-11-20 2022-12-09 西安交通大学 基于gru单元隐藏状态约束的对话方法、存储介质及系统
CN112434143A (zh) * 2020-11-20 2021-03-02 西安交通大学 基于gru单元隐藏状态约束的对话方法、存储介质及系统
CN112328797A (zh) * 2020-11-24 2021-02-05 山东师范大学 一种基于神经网络和注意力机制的情感分类方法及系统
CN112528668A (zh) * 2020-11-27 2021-03-19 湖北大学 深层情感语义识别方法、系统、介质、计算机设备及终端
CN112463965A (zh) * 2020-12-03 2021-03-09 上海欣方智能系统有限公司 一种对文本的语义理解的方法及系统
CN112784041A (zh) * 2021-01-06 2021-05-11 河海大学 一种中文短文本情感倾向性分析方法
CN112784041B (zh) * 2021-01-06 2022-12-30 河海大学 一种中文短文本情感倾向性分析方法
CN112818118B (zh) * 2021-01-22 2024-05-21 大连民族大学 基于反向翻译的中文幽默分类模型的构建方法
CN112818118A (zh) * 2021-01-22 2021-05-18 大连民族大学 基于反向翻译的中文幽默分类模型
CN112836054A (zh) * 2021-03-08 2021-05-25 重庆大学 一种基于共生注意力表示学习的服务分类方法
CN112836054B (zh) * 2021-03-08 2022-07-26 重庆大学 一种基于共生注意力表示学习的服务分类方法
CN112800776A (zh) * 2021-03-10 2021-05-14 湖北工业大学 双向gru关系抽取数据处理方法、系统、终端、介质
CN113222772B (zh) * 2021-04-08 2023-10-31 合肥工业大学 本土人格词典构建方法、系统、存储介质以及电子设备
CN113222772A (zh) * 2021-04-08 2021-08-06 合肥工业大学 本土人格词典构建方法、系统、存储介质以及电子设备
CN113032570A (zh) * 2021-04-12 2021-06-25 武汉工程大学 一种基于ATAE-BiGRU的文本方面情感分类方法及系统
CN112966526A (zh) * 2021-04-20 2021-06-15 吉林大学 一种基于情感词向量的汽车在线评论情感分析方法
CN113158644B (zh) * 2021-05-13 2022-09-20 山西大学 一种基于多任务学习的修辞格及隐式情绪识别方法
CN113158644A (zh) * 2021-05-13 2021-07-23 山西大学 一种基于多任务学习的修辞格及隐式情绪识别方法
CN113326374A (zh) * 2021-05-25 2021-08-31 成都信息工程大学 基于特征增强的短文本情感分类方法及系统
CN113051897A (zh) * 2021-05-25 2021-06-29 中国电子科技集团公司第三十研究所 一种基于Performer结构的GPT2文本自动生成方法
CN113505583B (zh) * 2021-05-27 2023-07-18 山东交通学院 基于语义决策图神经网络的情感原因子句对提取方法
CN113505583A (zh) * 2021-05-27 2021-10-15 山东交通学院 基于语义决策图神经网络的情感原因子句对提取方法
CN113298179A (zh) * 2021-06-15 2021-08-24 南京大学 一种海关商品异常价格检测方法和装置
CN113298179B (zh) * 2021-06-15 2024-05-28 南京大学 一种海关商品异常价格检测方法和装置
CN113705238B (zh) * 2021-06-17 2022-11-08 梧州学院 基于bert和方面特征定位模型的方面级情感分析方法及系统
CN113705238A (zh) * 2021-06-17 2021-11-26 梧州学院 基于bert和方面特征定位模型的方面级情感分析方法及模型
CN113609305A (zh) * 2021-07-27 2021-11-05 三峡大学 基于bert的影视作品地域知识图谱构建方法及系统
CN113609305B (zh) * 2021-07-27 2024-04-26 三峡大学 基于bert的影视作品地域知识图谱构建方法及系统
CN113591475A (zh) * 2021-08-03 2021-11-02 美的集团(上海)有限公司 无监督可解释分词的方法、装置和电子设备
CN113609294B (zh) * 2021-08-10 2023-08-18 北京工商大学 一种基于情感分析的生鲜冷链监管方法及系统
CN113609294A (zh) * 2021-08-10 2021-11-05 北京工商大学 一种基于情感分析的生鲜冷链监管方法及系统
CN113645126A (zh) * 2021-08-13 2021-11-12 黎明职业大学 一种集成情感分析的即时通讯方法
CN113836286A (zh) * 2021-09-26 2021-12-24 南开大学 一种基于问答匹配的社区孤寡老人情感分析方法及系统
CN113836286B (zh) * 2021-09-26 2024-04-05 南开大学 一种基于问答匹配的社区孤寡老人情感分析方法及系统
CN114595687A (zh) * 2021-12-20 2022-06-07 昆明理工大学 基于BiLSTM的老挝语文本正则化方法
CN114595687B (zh) * 2021-12-20 2024-04-19 昆明理工大学 基于BiLSTM的老挝语文本正则化方法
CN114443846A (zh) * 2022-01-24 2022-05-06 重庆邮电大学 一种基于多层级文本异构图的分类方法、装置及电子设备
CN114548097A (zh) * 2022-02-15 2022-05-27 南京邮电大学 基于汉字和拼音信息融合的情感分析方法
CN114626372A (zh) * 2022-02-25 2022-06-14 华南理工大学 基于扰动改良的自注意力机制社交网络文本情感分析方法
CN114626372B (zh) * 2022-02-25 2024-06-04 华南理工大学 基于扰动改良的自注意力机制社交网络文本情感分析方法
CN114579707B (zh) * 2022-03-07 2023-07-28 桂林旅游学院 一种基于bert神经网络与多语义学习的方面级情感分析方法
CN114579707A (zh) * 2022-03-07 2022-06-03 桂林旅游学院 一种基于bert神经网络与多语义学习的方面级情感分析方法
CN114912169B (zh) * 2022-04-24 2024-05-31 浙江英集动力科技有限公司 基于多源信息融合的工业建筑供热自主优化调控方法
CN114912169A (zh) * 2022-04-24 2022-08-16 浙江英集动力科技有限公司 基于多源信息融合的工业建筑供热自主优化调控方法
CN116205222A (zh) * 2023-05-06 2023-06-02 南京邮电大学 一种基于多通道注意力融合的方面级情感分析系统及方法
CN117009925B (zh) * 2023-10-07 2023-12-15 北京华电电子商务科技有限公司 一种基于方面的多模态情感分析系统和方法
CN117009925A (zh) * 2023-10-07 2023-11-07 北京华电电子商务科技有限公司 一种基于方面的多模态情感分析系统和方法
CN117574916A (zh) * 2023-12-12 2024-02-20 合肥工业大学 临时报告语义分析方法和系统
CN117574916B (zh) * 2023-12-12 2024-05-10 合肥工业大学 临时报告语义分析方法和系统

Also Published As

Publication number Publication date
CN110717334B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN110717334B (zh) 基于bert模型和双通道注意力的文本情感分析方法
Salur et al. A novel hybrid deep learning model for sentiment classification
CN110134771B (zh) 一种基于多注意力机制融合网络问答系统的实现方法
CN107578106B (zh) 一种融合单词语义知识的神经网络自然语言推理方法
CN111241294B (zh) 基于依赖解析和关键词的图卷积网络的关系抽取方法
Du et al. A novel capsule based hybrid neural network for sentiment classification
CN111858931B (zh) 一种基于深度学习的文本生成方法
CN108717574B (zh) 一种基于连词标记和强化学习的自然语言推理方法
CN112667818B (zh) 融合gcn与多粒度注意力的用户评论情感分析方法及系统
CN110502753A (zh) 一种基于语义增强的深度学习情感分析模型及其分析方法
CN109558487A (zh) 基于层次性多注意力网络的文档分类方法
CN107247702A (zh) 一种文本情感分析处理方法和系统
CN111078866B (zh) 一种基于序列到序列模型的中文文本摘要生成方法
CN113158665A (zh) 一种基于文本摘要生成与双向语料改善对话文本生成的方法
CN111274398A (zh) 一种方面级用户产品评论情感分析方法及系统
CN114757182A (zh) 一种改进训练方式的bert短文本情感分析方法
CN111079409A (zh) 一种利用上下文和方面记忆信息的情感分类方法
CN110263165A (zh) 一种基于半监督学习的用户评论情感分析方法
CN110427616A (zh) 一种基于深度学习的文本情感分析方法
Zhang et al. A BERT fine-tuning model for targeted sentiment analysis of Chinese online course reviews
CN113065344A (zh) 一种基于迁移学习和注意力机制的跨语料库情感识别方法
CN110083824A (zh) 一种基于多模型组合神经网络的老挝语分词方法
CN111353040A (zh) 基于gru的属性级别情感分析方法
CN112541364A (zh) 融合多层次语言特征知识的汉越神经机器翻译的方法
CN112287106A (zh) 一种基于双通道混合神经网络的在线评论情感分类方法

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