CN110750978A - 情感倾向分析方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种情感倾向分析方法、装置、电子设备及存储介质，方法包括：获取待分析文本，所述待分析文本中包括至少一个含有待分析对象的句子；根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向；根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。上述方法针对某一个对象进行情感倾向分析，避免了传统的深度学习方法中当文本含有多个不同对象时难以区分每个对象所对应的情感分析结果的技术问题。对比于直接分析篇章的方法，将所述待分析对象的情感倾向精细化到句子，更便于定位句子的情感倾向因子。

Description

情感倾向分析方法、装置、电子设备及存储介质

技术领域

本申请属于潜在风险分析技术领域，尤其涉及一种情感倾向分析方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，互联网信息爆炸式增长，舆情分析已体现在人们生活中的方方面面。舆情分析，又称语义分析，它是一种对信息内容作客观系统的定量分析的专门方法，其目的是弄清或测验信息中本质性的事实和趋势，提示信息所含有的隐性情报内容，以及对事件的发展做情报预测。目前，针对于市场或者企业的潜在风险分析技术，现有的舆情分析主流应用包括卷积神经网络、循环神经网络、长短时记忆网络等深度学习算法来对语料进行理解和分析，具有很好的分析效果。然而，当文段中出现多个目标对象时无法分辨文段中情感倾向所针对的目标对象。

发明内容

有鉴于此，本申请实施例提供了一种情感倾向分析方法、装置、电子设备和存储介质，以解决现有技术中当文段中出现多个目标对象时无法分辨文段中情感倾向所针对的目标对象等技术缺陷。

本申请实施例的第一方面提供了一种情感倾向分析方法，所述情感倾向分析方法包括：

获取待分析文本，其中，所述待分析文本中包括至少一个含有待分析对象的句子；

根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向；

根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。

结合第一方面，在第一方面的第一种可能实现方式中，所述获取待分析文本的步骤，包括：

对所述待分析文本进行句子拆分处理，以将所述待分析文本拆分成至少一个的句子；

对所述经过拆分后的句子进行对象识别，以从所述待分析文本中筛选出含有所述待分析对象的句子。

结合第一方面，在第一方面的第二种可能实现方式中，所述根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向的步骤，包括：

构建基于对象的情感倾向分析模型，所述情感倾向分析模型用于执行情感倾向分析操作；

将所述含有待分析对象的句子输入至预设的情感倾向分析模型中，以使所述情感倾向分析模型根据所述句子中记载的词汇文本对所述待分析对象进行情感倾向分析。

结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述构建基于对象的情感倾向分析模型的步骤，包括：

收集训练样本数据，其中，所述训练样本数据为金融文本数据；

对所述训练样本数据进行数据预处理，其中，所述数据预处理包括分句处理、对象识别处理、分词处理以及词汇向量化处理；

使用经过数据预处理后的训练样本数据进行神经网络模型训练，以构建生成基于对象的情感倾向分析模型。

结合第一方面的第三种可能实现方式中，在第一方面的第四种可能实现方式中，所述收集训练样本数据的步骤之后，包括：

按照预设的标记规则对所述训练样本数据进行情感标注，其中，所述标记规则为用于判断对象正负面情感的指导指标。

结合第一方面的第三种可能实现方式中，在第一方面的第五种可能实现方式中，所述收集训练样本数据的步骤之后，包括：

对所述训练样本数据中的对象进行识别标识设置。

结合第一方面，在第一方面的第六种可能实现方式中，所述根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果的步骤中，所述整合评估的方式包括：

对所有含有待分析对象的句子进行上下文关联处理，将所述获得的所有情感倾向因子进行整合处理；或者

针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子采取投票机制进行整合处理；或者

针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子进行由三分类模型到二分类模型转换的整合处理。

本申请实施例的第二方面提供了一种情感倾向分析装置，所述情感倾向分析装置包括：

获取模块，用于获取待分析文本，其中，所述待分析文本中包括至少一个含有待分析对象的句子；

处理模块，用于根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向；

执行模块，用于根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。

本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任意一项所述情感倾向分析方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述情感倾向分析方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

本申请通过先从待分析文本中获取含有待分析对象的句子，可以排除待分析文本中与待分析对象无关的文本内容，提高了分析效率和避免了无关内容对此次分析的干扰。而根据句子的内容对所述待分析对象进行情感倾向分析时，通过针对某一个对象进行情感倾向分析，可以清晰地分辨出文本内容对应的情感倾向分析结果所针对的对象，避免了传统的机器学习或深度学习方法中难以区分当文本含有多个不同对象时难以区分每个对象所对应的情感分析结果的技术问题。而且，通过对含有待分析对象的句子逐一进行情感倾向分析，对比于直接分析篇章的方法，可以将所述待分析对象的情感倾向精细化到一个句子的级别，能做到更方便的定位每个句子的情感因子，达到一个更优的分析效果。在对含有待分析对象的句子逐一进行情感倾向分析获得对应的感情倾向因子之后，通过对所获得的感情倾向因子进行整合评估，可以综合待分析文本的全文来分析待分析对象的情感倾向，从而修正所述待分析对象待分析文本中最终体现出来的情感倾向，提高情感倾向分析的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种情感倾向分析方法的基本方法流程示意图；

图2为本申请实施例提供的情感倾向分析方法中从待分析文本中获取含有待分析对象的句子时的一种方法流程示意图；

图3为本申请实施例提供的情感倾向分析方法中对所述待分析对象进行情感倾向分析的一种方法流程示意图；

图4为本申请实施例提供的情感倾向分析方法中构建情感倾向分析模型的一种方法流程示意图；

图5为本申请实施例提供的一种情感倾向分析装置的结构示意图；

图6为本申请实施例提供的一种实现情感倾向分析方法的电子设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

本申请提供的情感倾向分析方法包括但不限于应用在情感倾向分析系统中，其目的在于实现在金融文本范畴内使得情感倾向分析系统具备针对金融对象进行情感倾向分析的能力。

本申请的一些实施例中，请参阅图1，图1为本申请实施例提供的一种情感倾向分析方法的基本方法流程示意图，详述如下：

在步骤S101中，获取待分析文本，其中，所述待分析文本中包括至少一个含有待分析对象的句子。

在本实施例中，所述情感倾向分析方法应用在情感倾向分析系统中，当系统需要执行情感倾向分析操作时，可以通过数据传输的方式来获得待分析文本。所述待分析文本为金融文本，包括而不限于公告、新闻、研报、微博、公众号文章等任何金融相关的文本。在本实施例中，所述待分析文本为由一个或多个句子组成的文本，文本内容可以涉及各行业成千上百家企业与机构以及各种产品。而且，一个句子中可以包含一个或者多个对象，所述待分析对象为即将进行情感倾向分析的金融对象，包括但不限于名字、简称、别称以及全称，例如企业名称、人物名称或是产品名称等。由此，本实施例通过对所述待分析文本进行对象识别处理，以从所述待分析文本中筛选并获得含有待分析对象的句子，以提高后续步骤针对待分析对象进行情感倾向分析时的效率和准确性。

在步骤S102中，根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向。

在本实施例中，经过步骤S101可以从所述待分析文本中获得至少一个含有待分析对象的句子，针对所述获得的含有待分析对象的句子，通过对所述语句进行语义分析，实现根据所述句子中记载的词汇文本的语义对所述待分析对象进行情感倾向分析，从而获得与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向。其中，所述情感倾向因子大致分为三种类型：正面因子、负面因子和中性因子。在本实施例中，所述步骤S102基于一个情感倾向分析模型实现。

在步骤S103中，根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。

在本实施例中，经过步骤S102，根据所述句子的数量，可以获得与所述句子相等数量的表征所述待分析对象情感倾向的情感倾向因子。进而，通过结合所述获取得到的一个或多个情感倾向因子，实现基于所述待分析文本中所有与所述待分析对象相关的内容来分析所述待分析对象的情感倾向，匹配出最终属于所述待分析对象的唯一的情感倾向分析结果。例如，当所述获取得到的情感倾向因子有多个时，可以通过计算概率的方式来匹配出最终属于所述待分析对象的唯一的情感倾向分析结果，而当所述获取得到的情感倾向因子为一个时，可以直接匹配该情感倾向因子作为最终属于所述待分析对象的唯一的情感倾向分析结果。

上述实施例提供的情感倾向分析方法通过获取待分析文本中含有待分析对象的句子，可以排除待分析文本中与待分析对象无关的文本内容，提高了分析效率和避免了无关内容对此次分析的干扰。而根据句子的内容对所述待分析对象进行情感倾向分析时，通过针对某一个对象进行情感倾向分析，可以清晰地分辨出文本内容对应的情感倾向分析结果所针对的对象，避免了传统的机器学习或深度学习方法中难以区分当文本含有多个不同对象时难以区分每个对象所对应的情感分析结果的技术问题。而且，通过对含有待分析对象的句子逐一进行情感倾向分析，对比于直接分析篇章的方法，可以将所述待分析对象的情感倾向精细化到一个句子的级别，能做到更方便的定位每个句子的情感因子，达到一个更优的分析效果。在对含有待分析对象的句子逐一进行情感倾向分析获得对应的感情倾向因子之后，通过对所获得的感情倾向因子进行整合评估，可以综合待分析文本的全文来分析待分析对象的情感倾向，从而修正所述待分析对象待分析文本中最终体现出来的情感倾向，可以提高情感倾向分析的准确性。

本申请的一些实施例中，请参阅图2，图2为本申请实施例提供的情感倾向分析方法中从待分析文本中获取含有待分析对象的句子时的一种方法流程示意图。在获取含有待分析对象的句子时，详细如下：

在步骤S201中，对所述待分析文本进行句子拆分处理，以将所述待分析文本拆分成至少一个的句子。

在本实施例中，所述待分析文本中，语句之间由诸如句号、逗号以及分号等标点符号进行分隔。基于这一特点，在本实施例中，首先按照所述待分析文本中的标点符号对所述待分析文本进行句子拆分处理，以将所述待分析文本拆分成一个或者多个句子。举例说明，例如“上市券商陆续发布3月份经营月报，3月业绩环比高增长的兴奋还没过，广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告，广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％”这一金融文本，可以进行句子拆分处理，形成如下四个句子：

上市券商陆续发布3月份经营月报；

3月业绩环比高增长的兴奋还没过；

广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告；

广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％。

在步骤S202中，对所述经过拆分后的句子进行对象识别，以从所述待分析文本中筛选出含有所述待分析对象的句子。

在本实施例中，通过对所述经过拆分后的句子进行对象识别，可以从所述经过拆分后的一个或多个句子中筛选出含有待分析对象的句子作为用于对待分析对象进行情感倾向分析的文本内容。具体地，可以将系统此次即将进行情感倾向分析的待分析对象作为关键词，然后按照所述关键词分别与所述经过拆分形成的一个或多个句子一一进行比对，将比对结果中显示含有该关键词的所有句子进行打包生成句子集合，从而获得含有待分析对象的句子。由此，可以使得系统后续通过采用所述句子集合中的句子来对所述待分析对象进行情感倾向分析。举例说明，基于上述步骤S201列举的例子，当系统此次即将进行情感倾向分析的待分析对象为广发证劵时，那么，将“广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告”以及“广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％。”这两个含有“广发证劵”这一对象的句子进行打包生成句子集合，从而筛选出含有待分析对象的句子。

本申请的一些实施例中，请参阅图3，图3为本申请实施例提供的情感倾向分析方法中对所述待分析对象进行情感倾向分析的一种方法流程示意图。详细如下：

在步骤S301中，构建用于执行情感倾向分析操作的情感倾向分析模型。

所述情感倾向分析模型为训练至收敛状态的分析模型，被训练用于执行情感倾向分析操作，分析金融文本中一个或多个对象所对应的的情感倾向，从而实现基于对象对金融市场和/或企业进行潜在风险判断。在本实施例中，所述情感倾向分析模型的构建基于TD-LSTM(Target-Dependent LSTM，即依赖目标的长短时记忆网络)，所述TD-LSTM采用双向LSTM的技术，可以分别从句头和句尾双向地对文本进行学习，并且在模型想要捕捉的关键词处停止学习，从而达到对于关键词信息更好的捕捉和分析，使得所述情感倾向分析模型具备针对对象进行情感倾向分析的能力。可以理解的是，所述情感倾向分析模型不限于基于上述TD-LSTM进行训练，还可以基于CNN、RNN、LSTM、TC-LSTM、RAM、Transformer等模型进行模型训练。

在步骤S302中，将所述含有待分析对象的句子输入至预设的情感倾向分析模型中，以使所述情感倾向分析模型根据所述句子中记载的词汇文本对所述待分析对象进行情感倾向分析。

在本实施例中，系统执行情感倾向分析操作时，具体可以通过将所述含有待分析对象的句子输入至一个在系统中通过卷积神经网络训练预先构建生成的用于执行情感分析操作的情感倾向分析模型中，再由所述情感倾向分析模型按照其训练形成的分析规则，根据所述句子中记载的词汇文本对所述待分析对象进行情感倾向分析，进而根据分析结果，从所述情感倾向分析模型预设配置的正面因子、负面因子以及中性因子三种类型的情感倾向因子中选择一个情感倾向因子与所述句子进行匹配，得到与所述句子对应的的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向。

上述实施例通过建立卷积神经网络模型的方式来是系统学习对金融对象进行情感分析的能力，只需将需要进行分析的文本内容输入至情感倾向分析系统中即可针对文本内容中的某一对象进行情感倾向分析，可以降低分析成本，提高分析效率。

本申请的一些实施例中，请参阅图4，图4为本申请实施例提供的情感倾向分析方法中构建情感倾向分析模型的一种方法流程示意图。详细如下：

在步骤S401中，收集训练样本数据，其中，所述训练样本数据为金融文本数据；

在步骤S402中，对所述训练样本数据进行数据预处理，其中，所述数据预处理包括分句处理、对象识别处理、分词处理以及词汇向量化处理；

在步骤S403中，使用经过数据预处理后的训练样本数据进行模型训练，以构建生成基于对象的情感倾向分析模型。

所述训练样本数据一般以文本段落的形式体现。在本实施例中，收集到大量的金融文本数据作为原始的训练样本数据后，为了使情感倾向分析模型的训练效果达到更好，可以对所述收集到的训练样本数据进行数据预处理。所述数据预处理包括分句处理、对象识别处理、分词处理以及词汇向量化处理。

当对所述训练样本数据进行分句处理时，可以按照所述待训练样本数据中的标点符号对所述训练样本数据进行句子拆分处理，将所述待分析文本拆分成一个或者多个句子。举例说明，如以下文段“上市券商陆续发布3月份经营月报，3月业绩环比高增长的兴奋还没过，广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告，广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％”，可以拆分成如下：

上市券商陆续发布3月份经营月报；

3月业绩环比高增长的兴奋还没过；

广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告，广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％。

通过将一个以文本段落形式体现的训练样本数据进行分句处理，达到了对文本段落进行细化的目的，而细化后的训练样本数据，对于训练情感倾向分析模型来说，可以将对对象的情感分析集中到一个句子的范围内，避免因文本内容过长过多而影响判断，优化训练效果。

针对上述经过分句处理的得到的句子，对句子进行对象识别处理，具体为识别出含有金融对象的句子并确定句子中对应评论的金融对象。通过筛选获得含有金融对象的句子并确定出句子中对应评论的金融对象如下：

根据“广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告，广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％”这一句子对应评论的金融对象为“广发证券”、“东北证券”和“国海证券”；

在识别出含有金融对象的句子之后，还包括对所述对象进行标记，针对同一个对象可以通过一个无差别词汇进行遮罩处理，从而相当于对该对象进行了一个特殊标记，以便于后续的训练过程中可以准确地找到它的位置，并进行相应的分析和计算。例如，对于金融对象“广发证券”，可以通过用“关键词1”与之替换，实现遮罩处理；对于金融对象“东北证券”，可以通过用“关键词2”与之替换，实现遮罩处理；对于金融对象“国海证券”，可以通过用“关键词3”与之替换，实现遮罩处理。

基于上述经过对象识别处理后的句子，对所述句子进行进一步的分词处理，具体可以通过常用的停用词词表删除掉句子中没有无实质意义的一些词汇，例如口语词、拟声词等，从而剥离出分居中有意义的词汇。例如：

根据“广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告，广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％”这一句子经分词处理后得到对应的有意义的词汇为“广发证券、东北证券、国海证券、发布、今年、一季度、业绩、预告、广发证券、预计、盈利、25.95亿元～29.76亿元、较、上年、同期、增长、70％～95％”；

基于经分词处理后得到的这些有意义的词汇，对这些词汇进行词汇向量化处理。其中，词汇向量化处理具体为将词汇映射到一段指定维度的随机的0～1之间的实数向量上。在本实施例中，所述情感倾向分析模型采用了维度为100的低维度向量。例如，随机100个0～1之间的实数作为一个向量，让其代表某个词汇。可以理解的是，这个向量不是一成不变的，而是会在训练过程中改变。在本实施例中，首先通过一种GLOVE模型来对所述训练样本数据进行预训练。GLOVE模型是一种基于中文维基百科库进行过词汇预训练的词汇向量化模型。由于经过预训练使得模型对于词汇的特征可以较好的把握，并分辨出词意相近的词汇。由此，在对所述情感倾向分析模型进行训练时，同类词汇之间具有比较近的向量距离，例如，加拿大，意大利和美国识别为同一类词汇，这三个词汇之间的向量距离比较相近。可以理解的是，也可以通过word2vec，bert以及hashing vector等其他经过预训练的词汇向量化模型来执行词汇向量化处理操作，或者采用没有经过预训练的词汇向量化模型或者字向量化模型来执行词汇向量化处理操作。可以理解的是，在本实施例中，在训练情感倾向分析模型时，还可以通过直接逐字地对所述句子进行分割处理和向量化处理。

基于上述数据预处理操作，获得经过数据预处理的训练样本数据后，使用经过数据预处理后的训练样本数据对所述情感倾向分析模型进行训练，例如，基于上述两个筛选获得的含有金融对象的句子，在进行模型训练时，对于“广发证券”这一金融对象，因句子评论中含有“盈利”和“增长”这两个表征正面情感的词汇，可以将所述对象“广发证劵”对应的情感倾向因子选择为正面因子，而“东北证券”和“国海证券”这两个金融对象，因句子评论中没含有表征正面情感的词汇，也没含有表征负面情感的词汇，可以将所述对象“东北证券”和“国海证券”对应的情感倾向因子均选择为中性因子。当将所述情感倾向分析模型训练至收敛状态时，所述情感倾向分析模型具备针对对象进行情感倾向分析的能力，从而构建生成基于对象的情感倾向分析模型。

本申请的一些实施例中，对于一些来源于港台的文本，文本字体大多采用繁体字，此时，在对所述训练样本数据进行的数据预处理还可以包括：字体转化处理。通过将训练文本中的繁体字转化为易识别的简体字，降低模型训练难度，提高模型分析的准确性。

本申请的一些实施例中，在构建基于对象的情感倾向分析模型时，还包括按照预设的标记规则对收集到的训练样本数据进行情感标注处理。其中，所述标记规则为用于判断对象正负面情感的指导指标，例如，由专家通过自身经验构建的风险分类的词库，词库中包括有盈利、增长、上升、买入等表征正面情感的词汇以及亏损、下滑、下跌、透支、卖出等表征正面情感的词汇。这样一来，即可根据词库中具有风险分类的词汇来对收集到的训练样本数据进行情感标注。举例说明，针对如下训练样本数据：“日前，上市券商陆续发布3月份经营月报，3月业绩环比高增长的兴奋还没过，广发证券、东北证券和国海证券已率先发布了今年一季度业绩预告，广发证券预计盈利25.95亿元～29.76亿元，较上年同期增长70％～95％”，对于对象“广发证劵”，依据句子评论中含有“盈利”和“增长”这两个表征正面情感的词汇，将所述对象“广发证劵”标注为正面；而对于对象“东北证券”和“国海证券”，由于句子评论中没含有表征正面情感的词汇，也没含有表征负面情感的词汇，故将所述对象“东北证券”和“国海证券”标注为中性。而且，在本实施例中，还可以通过在标注过程中基于多个指导指标采取多副本重复标注，从而更加准确地标注对象的情感，所述指导指标由专家通过自身经验构建。

本申请的一些实施例中，在构建基于对象的情感倾向分析模型时，还包括对所述训练样本数据中的对象进行识别标识设置，例如编码设置、序列号设置等，其中，一个对象对应一个唯一的识别标识。本申请所述方法用于处理在互联网等各种渠道搜集到的新闻热点和其他相关相关信息，实现对于市场和公司潜在风险的判断，由此，所述对象为企业名称、人物名称或是产品名称等，其中，包括但不限于名字、简称、别称以及全称。

本申请的一些实施例中，在通过对感情倾向因子进行整合评估，实现综合待分析文本全文来分析所述待分析对象的情感倾向时，其整合评估的方式包括但不限于：对所有含有待分析对象的句子进行上下文关联处理，将所述获得的所有情感倾向因子进行整合处理；或者针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子采取投票机制进行整合处理；或者针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子进行由三分类模型到二分类模型转换的整合处理。

在本实施例中，系统通过情感倾向分析模型对所述待分析对象的情感倾向分析时是针对句子逐一进行分析的，其分析结果仅依赖于单个句子的信息。而根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果时，可以通过对所有含有待分析对象的句子进行上下文关联处理，使得系统不仅仅只是依赖单个句子信息对待分析对象进行情感倾向分析，而是联系所述句子的上下文进行综合判断，实现对所述获得的所有情感倾向因子进行整合处理，提高对待分析对象进行情感倾向分析时的准确性。

或者，可以针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子采取投票机制进行整合处理。例如，以计分的模式设置投票机制，对于正面因子，计分为+1分；对于负面因子，计分为-1分；而对于中性因子，计分为0分。当整合所有含有待分析对象的句子所对应的情感倾向因子之后，当计分得出的平均分高于0.5时，判定该待分析对象为正面情感，当计分得出的平均分低于0.5时，判定该待分析对象为负面情感，而当计分得出的平均分在-0.5至0.5之间时，判定该待分析对象为中性情感。

或者，还可以针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子进行由三分类模型到二分类模型转换的整合处理。具体可以通过softmax函数获得最终属于所述待分析对象的情感倾向分析结果，在这个过程中，具体通过获取含有待分析对象的句子所对应的情感倾向因子，统计每一类型情感倾向因子的概率，然后选出概率最大的情感倾向因子作为对该待分析对象进行情感倾向分析的依据。例如，在由三分类模型到二分类模型转换过程中，预先设定规则：若所述统计的概率高于预先设定的某个基准值，则认为该待分析对象是“有风险”的，反之，若所述统计的概率低于预先设定的某个基准值，则认为该待分析对象是“无风险”。因此，若统计得出作为情感倾向分析依据的概率得出判断依据为负面因子，通过将所述统计得出的概率与预先设定的基准值进行比对，以判断所述待分析对象是否高于预先设定的基准值，若高于则判定所述待分析对象有风险，否则判定为无风险。

上述实施例通过将含有待分析对象的句子进行逐一的情感倾向分析之后，再应用上下文关联、或投票机制整合处理、或由三分类模型到二分类模型转换的整合处理等方式来综合分析对象并输出属于所述待分析对象的情感倾向分析结果，实现了对情感倾向分析模型的优化，提高了对待分析对象进行情感倾向分析的准确性。

可以理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在本申请的一些实施例中，请参阅图5，图5为本申请实施例提供的一种情感倾向分析装置的结构示意图，详述如下：

所述情感倾向分析装置包括：获取模块501、处理模块502以及执行模块503。其中，所述获取模块501用于获取待分析文本，其中，所述待分析文本中包括至少一个含有待分析对象的句子；所述处理模块502用于根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向；所述执行模块503用于根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。

所述情感倾向分析装置，与上述的情感倾向分析方法一一对应。

在本申请的一些实施例中，请参阅图6，图6为本申请实施例提供的一种实现情感倾向分析方法的电子设备的示意图。如图6所示，该实施例的电子设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如情感倾向分析程序。所述处理器60执行所述计算机程序62时实现上述各个情感倾向分析方法实施例中的步骤。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述电子设备6中的执行过程。例如，所述计算机程序62可以被分割成：

获取模块，用于获取待分析文本，其中，所述待分析文本中包括至少一个含有待分析对象的句子；

处理模块，用于根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向；

执行模块，用于根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。

所述电子设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6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，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备，例如所述电子设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。

所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述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，均应包含在本申请的保护范围之内。

Claims (10)

1.一种情感倾向分析方法，其特征在于，所述情感倾向分析方法包括：

获取待分析文本，其中，所述待分析文本中包括至少一个含有待分析对象的句子；

根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向；

根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。

2.根据权利要求1所述的情感倾向分析方法，其特征在于，所述获取待分析文本的步骤之后，包括：

对所述待分析文本进行句子拆分处理，以将所述待分析文本拆分成至少一个的句子；

对所述经过拆分后的句子进行对象识别，以从所述待分析文本中筛选出含有所述待分析对象的句子。

3.根据权利要求1所述的情感倾向分析方法，其特征在于，所述根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向的步骤，包括：

构建基于对象的情感倾向分析模型，所述情感倾向分析模型用于执行情感倾向分析操作；

将所述含有待分析对象的句子输入至预设的情感倾向分析模型中，以使所述情感倾向分析模型根据所述句子中记载的词汇文本对所述待分析对象进行情感倾向分析。

4.根据权利要求3所述的情感倾向分析方法，其特征在于，所述构建基于对象的情感倾向分析模型的步骤，包括：

收集训练样本数据，其中，所述训练样本数据为金融文本数据；

对所述训练样本数据进行数据预处理，其中，所述数据预处理包括分句处理、对象识别处理、分词处理以及词汇向量化处理；

使用经过数据预处理后的训练样本数据进行神经网络模型训练，以构建生成基于对象的情感倾向分析模型。

5.根据权利要求4所述的情感倾向分析方法，其特征在于，所述收集训练样本数据的步骤之后，包括：

按照预设的标记规则对所述训练样本数据进行情感标注，其中，所述标记规则为用于判断对象正负面情感的指导指标。

6.根据权利要求4所述的情感倾向分析方法，其特征在于，所述收集训练样本数据的步骤之后，包括：

对所述训练样本数据中的对象进行识别标识设置。

7.根据权利要求1所述的情感倾向分析方法，其特征在于，所述根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果的步骤中，所述整合评估的方式包括：

对所有含有待分析对象的句子进行上下文关联处理，将所述获得的所有情感倾向因子进行整合处理；或者

针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子采取投票机制进行整合处理；或者

针对所有含有待分析对象的句子，将所述获得的所有情感倾向因子进行由三分类模型到二分类模型转换的整合处理。

8.一种情感倾向分析装置，其特征在于，所述情感倾向分析装置包括：

获取模块，用于获取待分析文本，其中，所述待分析文本中包括至少一个含有待分析对象的句子；

处理模块，用于根据所述含有待分析对象的句子对所述待分析对象进行情感倾向分析，以获取与所述句子对应的情感倾向因子，所述情感倾向因子表征所述待分析对象在所述句子中体现的情感倾向；

执行模块，用于根据所述获取的情感倾向因子匹配属于所述待分析对象的情感倾向分析结果。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述情感倾向分析方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述情感倾向分析方法的步骤。

Images