CN111126033A - 文章的回应预测装置及方法 - Google Patents
文章的回应预测装置及方法 Download PDFInfo
- Publication number
- CN111126033A CN111126033A CN201811342518.8A CN201811342518A CN111126033A CN 111126033 A CN111126033 A CN 111126033A CN 201811342518 A CN201811342518 A CN 201811342518A CN 111126033 A CN111126033 A CN 111126033A
- Authority
- CN
- China
- Prior art keywords
- emotion
- article
- response
- processor
- tested
- 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
- 230000004044 response Effects 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008451 emotion Effects 0.000 claims description 172
- 230000002996 emotional effect Effects 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000036651 mood Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008921 facial expression Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 206010023644 Lacrimation increased Diseases 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000004317 lacrimation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
一种文章的回应预测装置及方法。该装置包含一存储器、一输入接口及一处理器。该存储器储存一回应预测模型,该输入接口用以接收一待测文章。该处理器电性连接至该存储器及该输入接口,且执行下列运作:分析该待测文章以取得一待测文章内容;根据该回应预测模型以及该待测文章内容预测该待测文章被阅读后所产生的一回应;以及根据该回应产生一回应数据。
Description
技术领域
本发明是关于一种文章的回应预测装置及方法。具体而言,本发明是关于一种分析文章内容以判断文章可能产生的回应的装置及方法。
背景技术
随着社群网络的快速发展,各种社群平台(例如:脸书)蓬勃的发展,品牌企业或公关公司需要在各种的社群平台上经营关于其品牌的内容(例如:粉丝专页),并藉由社群平台上发表的文章,快速累积品牌的人气及客源。
各种社群平台对于平台上所发表文章,提供了更多元的评价/回应方式给使用者做选择。举例而言,社群平台脸书提供给使用者的回应方式,除了常见的“赞”之外,还提供了五种表情(分别为爱心、难过、高兴、惊吓、生气)。在一些相关的研究中指出,比起一般“赞”的数量或是分析回复文字的语意,使用者所回应的表情(例如:脸书表情)通常更能有效的代表使用者对这篇文章的共鸣情绪。因此,若发表的文章可以获得到使用者更多的回应或共鸣情绪,即更能引起使用者的关注,提高发表文章的扩散效益。
然而,一般经营粉丝专业的管理者,在撰写完文章后,缺乏一个有效的方法估测拟发表该文章可能获得的回应(例如:爱心、难过、高兴、惊吓、生气等等反应情绪的回应),使得大型品牌公司、整合营销/数字公司、媒体代操业者及公关公司等在经营社群时难以评估是否能达到其预期引起的回应。
有鉴于此,如何提供一种能够预测文章内容可能产生的回应的技术,乃业界亟需努力的目标。
发明内容
为了解决上述问题,本发明的某些实施例提供了一种文章的回应预测装置。该文章的回应预测装置包含一存储器、一输入接口及一处理器,该处理器电性连接至该存储器及该输入接口。该存储器储存一回应预测模型,该输入接口用以接收一待测文章。该处理器用以分析该待测文章以取得一待测文章内容。该处理器还用以根据该回应预测模型以及该待测文章内容预测该待测文章被阅读后所产生的一回应,并根据该回应产生一回应数据。
为了解决上述问题,本发明的某些实施例还提供了一种文章的回应预测方法。该方法适用于一文章的回应预测装置,该文章的回应预测装置包含一存储器、一输入接口及一处理器,该存储器储存一回应预测模型,该输入接口用以接收一待测文章。该文章的回应预测方法由该处理器所执行且包含下列步骤:分析该待测文章以取得一待测文章内容;根据该回应预测模型以及该待测文章内容预测该待测文章被阅读后所产生的一回应;以及根据该回应产生一回应数据。
本发明所提供的一种文章的回应预测技术(至少包含装置及方法),根据待测文章的一待测文章内容,透过一回应预测模型来预测该待测文章被阅读后可能产生的回应。该回应预测模型是根据分析大量具有不同类型、且已被评价的样本文章所产生。透过前述运作,将能预测待测文章被阅读后可能产生的回应,因而解决习知技术无法预测文章所可能产生的回应的问题。
以下将结合附图阐述本发明的详细技术及实施方式,使本领域的技术人员能理解所请求保护的发明的技术特征。
附图说明
图1是描绘依据本发明一实施例的文章的回应预测装置的架构示意图;
图2A是描绘依据本发明一实施例的建置回应预测模型的流程示意图;
图2B及图2C是分别描绘依据本发明一实施例的一加权情绪量值估算范例;以及
图3是描绘依据本发明第二实施方式的文章的回应预测的方法的流程图。
附图说明:
1:文章的回应预测装置;
11:存储器;
13:输入接口;
15:处理器;
133:待测文章;
135:文章类别;
201-215:运作;
S301-S305:步骤。
具体实施方式
以下将透过多个实施例来说明本发明,惟这些实施例并非用以限制本发明只能根据所述操作、环境、应用、结构、流程或步骤来实施。于附图中,与本发明非直接相关的组件皆已省略。于附图中,各组件之间的尺寸关系仅为了易于说明本发明,而非用以限制本发明的实际比例。除了特别说明之外,在以下内容中,相同(或相近)的组件符号可对应至相同(或相近)的组件。
图1例示了在本发明的某些实施例中的一种文章的回应预测装置(以下简称“预测装置”)1。图1所示内容仅是为了举例说明本发明的实施例,而非为了限制本发明。
参照图1,预测装置1可包含一存储器11、一输入接口13及一处理器15,该处理器15电性连接至该存储器11及该输入接口13。除了存储器11及处理器13之外,于某些实施例中,预测装置1还可包含其他组件,例如但不限于:输出组件、联网组件等等。预测装置1所包含的所有组件都相互连接,且任二个元间之间可以是直接连接(即,未经由其他功能组件而相互连接),也可以是间接连接(即,经由其他功能组件而相互连接)。预测装置1可以是各种具有计算、储存、通讯、联网等功能的计算器,例如但不限于:桌面计算机、便携计算机、移动式装置等等。
存储器11可包含第一级存储器(又称主存储器或内部存储器),且处理器15可直接读取存储在第一级存储器内的指令集,并在需要时执行这些指令集。存储器11还可包含第二级存储器(又称外部存储器或辅助存储器),且此存储器可透过数据缓冲器将存储的数据传送至第一级存储器。举例而言,第二级存储器可以是但不限于:硬盘、光盘等。存储器11还可包含第三级存储器,亦即,可直接插入或自计算机拔除的储存装置,例如随身硬盘。输入接口13可为一种接收输入数据的组件,或是任何一种本领域的技术人员所知悉的其他能接收输入数据的接口。
处理器15可包含微处理器(microprocessor)或微控制器(microcontroller),用以在预测装置1中执行各种运算程序。微处理器或微控制器是一种可程序化的特殊集成电路,其具有运算、储存、输出/输入等能力,且可接受并处理各种编码指令,藉以进行各种逻辑运算与算术运算,并输出相应的运算结果。
于本发明的第一实施例中,处理器15透过输入接口13接收使用者欲分析的待测文章。接着,为了准确的产生回应数据(例如:待测文章可能引起的情绪),处理器15分析待测文章以取得与判断该回应数据相关的待测文章内容。最后,处理器15将取得的待测文章内容,透过预先建立好的一回应预测模型,预测该待测文章被阅读后可能产生的回应,根据该回应产生一回应数据。使用者可根据该回应数据,了解该待测文章可能产生的反应,以下段落将详细说明与本发明相关的实施细节。
于本实施例中,存储器11储存一回应预测模型(未绘示)。需说明者,该回应预测模型可由预测装置1本身建置,亦可自外部装置直接接收,关于该回应预测模型的建置方式及其内容将在后面段落另详细说明。
于本实施例中,输入接口13用以接收一待测文章133。接着,当接收到待测文章133时,处理器15分析该待测文章133以取得一待测文章内容。举例而言,待测文章里的一段文字“很多东西碎裂了是很难弥补的”,处理器15分析可能与待测文章133被阅读后产生的回应有关的内容(例如:关于情绪的关键词,撷取“碎裂”及“弥补”作为待测文章内容)。须说明者,本发明未限制有关撷取该待测文章的形式,可以撷取为一段句子、字词或是任何足以代表语句意思的内容,也可以撷取待测文章的全部内容来作为待测文章内容。此外,如何撷取文章内容的方法非本发明的重点,本领域的技术人员应可理解其内容,故不赘言。
随后,处理器15根据该回应预测模型以及该待测文章内容预测该待测文章被阅读后所产生的一回应,并根据该回应产生一回应数据。举例而言,该回应预测模型产生的该回应数据可为该待测文章的所命中的情绪(例如:悲伤、生气等等),使用者可根据该回应数据,了解该待测文章被阅读后可能产生的反应。须说明者,该回应数据亦可为表情、心情、情绪或是本领域的技术人员理解可用以评价文章内容的方式,本发明未限制其保护的范围。
为了方便说明,以下将以脸书所提供的五种表情(分别为爱心、难过、高兴、惊吓、生气等情绪)作为建置回应预测模型的基础且将该等表情作为该回应数据的内容,其谨易于说明本发明,而非用以限制本发明的内容。
于预测装置1本身建置回应预测模型的实施例中,存储器11还储存多个第一样本文章(例如:收集自各个社群平台的文章)以及分别与该多组情绪量值相关的多组情绪量值(例如:多个使用者对于该等文章所回应的表情数)用来建置该回应预测模型。
该回应预测模型可根据以下运作建置。首先,为了判断各该第一样本文章分别代表何种引起的情绪,处理器15针对各该第一样本文章,根据相应的该组情绪量值决定一情绪标签。例如,处理器15可以根据统计各该第一样本文章所占的比例最高的表情,将该表情作为代表该第一样本文章的情绪标签。接着,处理器15根据该等情绪标签与该等第一样本文章,透过机器学习建立该回应预测模型。
于某些实施例中,处理器15可根据相应的该情绪标签,针对各该第一样本文章进行一断词处理以及一词性标注处理,以取得多个特定字词。接着,处理器15再透过机器学习建立全部特定字词与该等情绪标签的关联。最后,处理器15根据该关联,建立该回应预测模型。
举例而言,处理器15将情绪标签为悲伤的第一样本文章,透过断词处理及词性标注处理(例如:结巴断词器),筛选该第一样本文章的内容,以取得多个特定字词(例如:与悲伤情绪较为相关的字词)。该词性可包含特定类型的名词、动词、形容词、副词等等常用的情绪字词。接着,处理器15将所有第一样本文章的特定字词,透过机器学习建立全部特定字词与该等情绪标签的关联。举例而言,若某一字词特别属于某种情绪标签,则该字词与该情绪标签的关联性较高,若某一字词同时与两种以上情绪标签相关,则该字词与该等情绪标签的关联性较低。处理器15透过机器学习(例如:深度学习算法)建立全部特定字词与该等情绪标签的关联后,即可产生情绪标签与特定字词的对应关系,根据该等对应关系达到预测的功能。
须说明者,本发明未限制有关该特定字词的形式,可以撷取为一段句子、字词或是任何可以代表该文章意思的内容。此外,本领域的技术人员应可理解如何针对前述内容施行断词处理、词性标注处理及根据机器学习建立关联的方法,故不赘言。
于某些实施例中,处理器15还进一步根据第一样本的文章类别建置回应预测模型。如图1所示,当输入接口13接收待测文章133时,输入接口13还接收该待测文章133的一待测文章类别135,且回应预测模型对应至该待测文章类别135。需说明者,待测文章类别135指示待测文章133属于何种文章类别(例如:政治、两性心情、美妆保养等等),由于相同用语在不同的文章类别可能会有不同的意思/效果,在之后的预测运作中,处理器15会一并将该待测文章133的待测文章类别135输入该回应预测模型,使得对于待测文章的133预测更准确。
举例而言,处理器15针对文章类别为“两性心情”的样本文章,根据各样本文章的情绪标签及其特定字词,透过机器学习建立对应至“两性心情”文章类别的回应预测模型,对于文章类别为“政治”的样本文章,亦施行相同的操作。接着,当输入待测文章133的待测文章内容及文章类别135时,回应预测模型即可根据该待测文章内容及文章类别135,先判断与那个文章类别相关,再判断与该文章类别相关的特定字词与该待测文章内容的相似度,并根据该特定字词对应的情绪标签,预测待测文章133可能产生的回应。须说明者,本领域的技术人员应可根据上述内容理解关于模型训练的方法,故不赘言。
于某些实施例中,存储器15还储存分别与该等第一样本文章相关的多组留言内容,例如:使用者针对该样本文章的文字评论等。关于前述建立回应预测模型中,处理器15还根据下列运作决定各该第一样本文章的情绪标签。首先,处理器15针对各该第一样本文章,根据相应的该组留言内容计算一正向情绪分数、一负向情绪分数及一留言热度指数。接着,处理器15针对各该第一样本文章,根据相应的该留言热度指数与相应的该正向情绪分数,计算一正向情绪加权分数,且根据相应的该留言热度指数与相应的该负向情绪分数,计算一负向情绪加权分数。
随后,处理器15针对各该第一样本文章,计算相应的该组情绪量值与相应的该正向情绪分数及相应的该组情绪量值与相应的该负向情绪分数之间的相关性。随后,处理器15针对各该第一样本文章,根据相应的该相关性、相应的该正向情绪加权分数与相应的该负向情绪加权分数与一组预设情绪量值,计算出相应的该组情绪量值。最后,处理器15将各该第一样本文章的该等加权后情绪量值作为该组情绪量值,以决定各该第一样本文章的该情绪标签。
为便于理解,图2A是以一示意图描绘本发明一实施例建置回应预测模型的流程。参照图2A,处理器15执行运作201以输入样本文章。接着,执行运作203以分析文章留言内容。随后,处理器15分别执行运作205的相关性分析以及运作207计算正负情绪加权分数。接着,处理器15执行运作209以加权情绪量值。接着,处理器15执行运作211决定各样本文章的情绪标签。最后,处理器15执行运作213以进行机器学习,以及执行运作215以产生一回应预测模型。
以图2B及图2C为一范例来进一步说明。图2B例示了的样本文章1、样本文章2及样本文章3对应的留言内容评价(包含正向情绪分数XPi、负向情绪分数XNi、留言热度指数Hi)及一组预设的/初始的情绪量值(包含各个表情所获得的数量)。正向情绪分数是由处理器15计算代表各样本文章的留言内容具有正向情绪的分数(例如:正向留言的比例),而负向情绪分数代表各样本文章的留言内容具有负向情绪的分数,留言热度指数代表留言的热度(例如:该篇文章的留言数占样本文章留言总数的比例比例)。接着,处理器15计算正向情绪分数与正向表情(例如:爱心、高兴)的相关性以及负向情绪分数与负向表情(例如:难过、生气)的相关性。举例而言,处理器15分别计算样本文章1、样本文章2及样本文章3的正向表情爱心与正向情绪分数的正相关关系,产生各自的一相关值。
接着,处理器15可判断情绪量值中,正向表情与负向表情中分别具有最高相关性的情绪量值且其相关性大于一预设门槛值的表情进行加权。处理器15可根据下列公式(1)计算正向情绪加权分数,且根据公式(2)计算负向情绪加权分数。
Wi=XPi×Hi (1)
Wi=XNi×Hi (2)
上述公式(1)及公式(2)中,公式(1)为正向情绪加权分数Wi、公式(2)为负向情绪加权分数Wi。变量i为第i篇文章,XPi为第i篇文章的正向情绪分数,XNi为第i篇文章的负向情绪分数,Hi为第i篇文章的留言热度指数。
以样本文章1为例,如图2B所示,因处理器15判断正向表情爱心的相关性最高,故加权该组情绪量值中关于爱心的表情量值;且因处理器15判断负向表情生气的相关性最高,故加权该组情绪量值中关于生气的表情量值。因此,如图2C所示,样本文章1的正向情绪加权分数为0.657(即,0.73×0.9=0.657),加权后样本文章1的爱心的表情量值为414(即,250×(1+0.657)=414)。因为加权后的情绪量值中爱心的表情的数值最高,故处理器15可决定样本文章1的情绪标签为爱心。
于某些实施例中,该处理器15所产生的回应数据还包含多个情绪信心值以及分别与该多个情绪信心值相关的多组情绪字词。情绪信心值可用以评断该预测的强度,举例而言,该回应数据可包含“难过”、“生气”、“高兴”,且分别对应至情绪信心值85分、75分及30分,该情绪信心值指示待测文章具有难过及生气的可能性较大。另外,使用者亦可预设一情绪信心值门槛,使该回应预测模型仅输出大于该情绪信心值门槛的结果。
另外,于某些实施例中,存储器11还储存一情绪关键词推荐模型。该输入接口还接收一回应目标(例如:使用者希望待测文章命中的情绪)。接着,处理器15判断回应数据是否与该回应目标相符。若该回应数据不符合该回应目标,则处理器15则根据该情绪关键词推荐模型,产生推荐数据,其中该推荐数据与该回应目标相关。举例而言,当使用者期望待测文章可以命中悲伤的情绪,当待测文章133所预测得到的情绪与预期的悲伤不相符时,处理器15可根据情绪关键词推荐模型,推荐关于悲伤的情绪关键词(例如:“沮丧”、“流泪”),以辅助使用者撰写文章。
需说明者,该情绪关键词推荐模型可由预测装置1本身建置,亦可自外部装置直接接收。于预测装置1本身建置情绪关键词推荐模型的实施例中,该情绪关键词推荐模型是由下列运作建立。存储器11还储存多个第二样本文章以及分别与该多组情绪量值相关的多组情绪量值。接着,处理器15针对各该第二样本文章,根据相应的该组情绪量值决定一情绪标签。处理器15根据该等情绪标签与该等第二样本文章,透过机器学习建立该情绪关键词推荐模型。须说明者,于某些实施例中,处理器15亦可加入词频、期望因子等参数来筛选情绪关键词。需说明者,本发明未限制该第二样本文章与第一样本文章相同,可视其需求决定样本文章的内容。
于某些实施例中,处理器15针对各该第二样本文章,根据相应的该情绪标签进行一断词处理以及一词性标注处理,以取得多个特定字词。接着,处理器15可依据前述计算方式建立全部特定字词与该等情绪标签的关联。在此实施例中,可不用机器学习方案建立关联,透过关键词出现在同一情绪标签第二样本文章的文章数和该关键词的词频进行加权计算,以计算出该关键词属于能刺激出某一情绪的期望值,依此建立关联。最后,处理器15根据该关联,建立该情绪关键词推荐模型。具体而言,前述回应预测模型是输入一待测文章的待测文章内容,根据该待测文章内容预测该待测文章被阅读后所产生的一回应,而情绪关键词推荐模型则是输入一回应目标,根据该回应目标产生与该回应目标相关的推荐数据(例如,情绪关键词)。本领域的技术人员可根据前述回应预测模型的建置方式,理解情绪关键词推荐模型的建置方式,故不赘言。
于某些实施例中,回应预测模型与情绪关键词推荐模型可被整合为单一模型,且该单一模型是根据多个第一参考文章而被建立的。于某些实施例中,回应预测模型与情绪关键词推荐模型是二个独立的模型,且回应预测模型是根据多个第一参考文章而被建立的,而情绪关键词推荐模型是根据多个第二参考文章而被建立的。
于某些实施例中,该推荐数据包含符合该回应目标的关键词、文章、与发文型态其中至少一项。举例而言,除了推荐推荐关于悲伤的情绪关键词,处理器15还可根据该情绪关键词推荐模型,推荐具有该等情绪关键词的样本文章或是其发文型态等等,以辅助使用者撰写文章。
由上述说明可知,本发明所提供的一种文章的回应预测技术,根据待测文章的一待测文章内容,透过一回应预测模型来预测该待测文章被阅读后可能产生的回应,由于该回应预测模型是根据分析大量具有不同类型、且已被评价的样本文章所产生。透过前述运作,故能达到预测待测文章被阅读后可能产生的回应,因而解决习知技术无法预测文章所可能产生的回应的技术。此外,当待测文章不符合使用者预期回应目标时,本发明还提供一种推荐技术给使用者与该回应目标相关的推荐数据,以辅助使用者撰写文章。
本发明的第二实施方式为一文章的回应预测方法,其流程图是描绘于图3。该文章的回应预测方法适用于第一实施方式所述的文章的回应预测装置1。该文章的回应预测装置包含一存储器、一输入接口及一处理器,该存储器储存一回应预测模型(例如:第一实施方式的回应预测模型),该输入接口用以接收一待测文章,该文章的回应预测方法由该处理器所执行。该文章的回应预测方法透过步骤S301至步骤S305产生一回应数据。
于步骤S301,由该电子装置分析该待测文章以取得一待测文章内容。接着,于步骤S303,由该电子装置根据该回应预测模型以及该待测文章内容预测该待测文章被阅读后所产生的一回应。随后,于步骤S305,由该电子装置根据该回应产生一回应数据。
于图3中所示的步骤S301、步骤S303与步骤S305的顺序并非限制。在仍可以实现本发明的情况下,该顺序可以被调整。
于某些实施例中,文章的回应预测方法还包含由该输入接口,接收该待测文章的一待测文章类别,且回应预测模型对应至该待测文章类别。
于某些实施例中,该存储器还储存多个第一样本文章以及分别与该多组情绪量值相关的多组情绪量值。除了步骤S301、步骤S303及步骤S305之外,该文章的回应预测方法还包含下列步骤:针对各该第一样本文章,根据相应的该组情绪量值决定一情绪标签;以及根据该等情绪标签与该等第一样本文章,透过机器学习建立该回应预测模型。
于某些实施例中,该文章的回应预测方法还包含下列步骤:针对各该第一样本文章,根据相应的该情绪标签进行一断词处理以及一词性标注处理,以取得多个特定字词;透过机器学习建立全部特定字词与该等情绪标签的关联;以及根据该关联,建立该回应预测模型。
于某些实施例中,该存储器还储存分别与该等第一样本文章相关的多组留言内容,且该文章的回应预测方法还包含下列步骤:针对各该第一样本文章,根据相应的该组留言内容计算一正向情绪分数、一负向情绪分数及一留言热度指数;针对各该第一样本文章,根据相应的该留言热度指数与相应的该正向情绪分数,计算一正向情绪加权分数,且根据相应的该留言热度指数与相应的该负向情绪分数,计算一负向情绪加权分数;针对各该第一样本文章,计算相应的该组情绪量值与相应的该正向情绪分数及相应的该组情绪量值与相应的该负向情绪分数之间的相关性;以及针对各该第一样本文章,根据相应的该相关性、相应的该正向情绪加权分数与相应的该负向情绪加权分数与一组预设情绪量值,计算出相应的该组情绪量值。
于某些实施例中,其中该回应数据包含多个情绪信心值以及分别与该多个情绪信心值相关的多组情绪字词。
于某些实施例中,其中该存储器还用以储存一情绪关键词推荐模型,该输入接口还用以接收一回应目标,且该文章的回应预测方法还包含下列步骤:判断该回应数据是否符合该回应目标;以及若该回应数据不符合该回应目标,则根据该情绪关键词推荐模型,产生推荐数据,其中该推荐数据与该回应目标相关。
于某些实施例中,其中该存储器还储存多个第二样本文章以及分别与该多组情绪量值相关的多组情绪量值,且该文章的回应预测方法还包含下列步骤:针对各该第二样本文章,根据相应的该组情绪量值决定一情绪标签;以及根据该等情绪标签与该等第二样本文章,透过机器学习建立该情绪关键词推荐模型。
于某些实施例中,该文章的回应预测方法还包含下列步骤:针对各该第二样本文章,根据相应的该情绪标签进行一断词处理以及一词性标注处理,以取得多个特定字词;透过机器学习建立全部特定字词与该等情绪标签的关联;以及根据该关联,建立该情绪关键词推荐模型。
于某些实施例中,其中该推荐数据包含符合该回应目标的关键词、文章、与发文型态其中至少一项。
除了上述步骤,第二实施方式亦能执行第一实施方式所描述的预测装置1的所有运作及步骤,具有同样的功能,且达到同样的技术效果。本领域的技术人员可直接了解第二实施方式如何基于上述第一实施方式以执行此等运作及步骤,具有同样的功能,并达到同样的技术效果,故不赘述。
需说明者,于本发明专利说明书及权利要求书中,某些用语(例如:样本文章)前被冠以“第一”或“第二”,该等“第一”及“第二”仅用来区分不同的用语。
综上所述,本发明所提供的一种文章的回应预测技术(至少包含装置及方法),根据待测文章的一待测文章内容,透过一回应预测模型来预测该待测文章被阅读后可能产生的回应,由于该回应预测模型是根据分析大量具有不同类型、且已被评价的样本文章所产生。透过前述运作,故能达到预测待测文章被阅读后可能产生的回应,因而解决习知技术无法预测文章所可能产生的回应的技术。此外,当待测文章不符合使用者预期回应目标时,本发明还提供一种推荐技术给使用者与该回应目标相关的推荐数据,以辅助使用者撰写文章。
上述实施方式仅用来例举本发明的部分实施态样,以及阐释本发明的技术特征,而非用来限制本发明的保护范畴及范围。任何本领域的技术人员可轻易完成的改变或均等性的安排均属于本发明所主张的范围,而本发明的权利保护范围以权利要求书为准。
Claims (20)
1.一种文章的回应预测装置,其特征在于,包含:
一存储器,储存一回应预测模型;
一输入接口,用以接收一待测文章;以及
一处理器,电性连接至该存储器及该输入接口,用以:
分析该待测文章以取得一待测文章内容;以及
根据该回应预测模型以及该待测文章内容预测该待测文章被阅读后所产生的一回应,并根据预测的该回应产生一回应数据。
2.如权利要求1所述的文章的回应预测装置,其特征在于,该输入接口还用以接收该待测文章的一待测文章类别,且回应预测模型对应至该待测文章类别。
3.如权利要求1所述的文章的回应预测装置,其特征在于,该存储器还储存多个第一样本文章以及分别与该多组情绪量值相关的多组情绪量值,且该处理器还用以:
针对各该第一样本文章,根据相应的该组情绪量值决定一情绪标签;以及
根据该等情绪标签与该等第一样本文章,透过机器学习建立该回应预测模型。
4.如权利要求3所述的文章的回应预测装置,其特征在于,该处理器还用以:
针对各该第一样本文章,根据相应的该情绪标签进行一断词处理以及一词性标注处理,以取得多个特定字词;
透过机器学习建立全部特定字词与该等情绪标签的关联;以及
根据该关联,建立该回应预测模型。
5.如权利要求3所述的文章的回应预测装置,其特征在于,该存储器还储存分别与该等第一样本文章相关的多组留言内容,且该处理器还用以:
针对各该第一样本文章,根据相应的该组留言内容计算一正向情绪分数、一负向情绪分数及一留言热度指数;
针对各该第一样本文章,根据相应的该留言热度指数与相应的该正向情绪分数,计算一正向情绪加权分数,且根据相应的该留言热度指数与相应的该负向情绪分数,计算一负向情绪加权分数;
针对各该第一样本文章,计算相应的该组情绪量值与相应的该正向情绪分数及相应的该组情绪量值与相应的该负向情绪分数之间的相关性;以及
针对各该第一样本文章,根据相应的该相关性、相应的该正向情绪加权分数与相应的该负向情绪加权分数与一组预设情绪量值,计算出相应的该组情绪量值。
6.如权利要求1所述的文章的回应预测装置,其特征在于,该回应数据包含多个情绪信心值以及分别与该多个情绪信心值相关的多组情绪字词。
7.如权利要求1所述的文章的回应预测装置,其特征在于:
该存储器还用以储存一情绪关键词推荐模型;
该输入接口还用以接收一回应目标;以及
该处理器还用以:
判断该回应数据是否符合该回应目标;以及
若该回应数据不符合该回应目标,则根据该情绪关键词推荐模型,产生推荐数据,其中该推荐数据与该回应目标相关。
8.如权利要求7所述的文章的回应预测装置,其特征在于,该存储器还储存多个第二样本文章以及分别与该多组情绪量值相关的多组情绪量值,且该处理器还用以:
针对各该第二样本文章,根据相应的该组情绪量值决定一情绪标签;以及
根据该等情绪标签与该等第二样本文章,透过机器学习建立该情绪关键词推荐模型。
9.如权利要求8所述的文章的回应预测装置,其特征在于,该处理器还用以:
针对各该第二样本文章,根据相应的该情绪标签进行一断词处理以及一词性标注处理,以取得多个特定字词;
透过机器学习建立全部特定字词与该等情绪标签的关联;以及
根据该关联,建立该情绪关键词推荐模型。
10.如权利要求7所述的文章的回应预测装置,其特征在于,该推荐数据包含符合该回应目标的关键词、文章、与发文型态其中至少一项。
11.一种文章的回应预测方法,适用于一文章的回应预测装置,该文章的回应预测装置包含一存储器、一输入接口及一处理器,该存储器储存一回应预测模型,该输入接口用以接收一待测文章,该文章的回应预测方法由该处理器所执行且包含下列步骤:
分析该待测文章以取得一待测文章内容;以及
根据该回应预测模型以及该待测文章内容预测该待测文章被阅读后所产生的一回应,并根据预测的该回应产生一回应数据。
12.如权利要求11所述的文章的回应预测方法,其特征在于,该文章的回应预测方法还包含下列步骤:
由该输入接口,接收该待测文章的一待测文章类别,且回应预测模型对应至该待测文章类别。
13.如权利要求11所述的文章的回应预测方法,其特征在于,该存储器还储存多个第一样本文章以及分别与该多组情绪量值相关的多组情绪量值,且该文章的回应预测方法还包含下列步骤:
由该处理器,针对各该第一样本文章,根据相应的该组情绪量值决定一情绪标签;以及
由该处理器,根据该等情绪标签与该等第一样本文章,透过机器学习建立该回应预测模型。
14.如权利要求13所述的文章的回应预测方法,其特征在于,该文章的回应预测方法还包含下列步骤:
由该处理器,针对各该第一样本文章,根据相应的该情绪标签进行一断词处理以及一词性标注处理,以取得多个特定字词;
由该处理器,透过机器学习建立全部特定字词与该等情绪标签的关联;以及
由该处理器,根据该关联,建立该回应预测模型。
15.如权利要求13所述的文章的回应预测方法,其特征在于,该存储器还储存分别与该等第一样本文章相关的多组留言内容,且该文章的回应预测方法还包含下列步骤:
由该处理器,针对各该第一样本文章,根据相应的该组留言内容计算一正向情绪分数、一负向情绪分数及一留言热度指数;
由该处理器,针对各该第一样本文章,根据相应的该留言热度指数与相应的该正向情绪分数,计算一正向情绪加权分数,且根据相应的该留言热度指数与相应的该负向情绪分数,计算一负向情绪加权分数;
由该处理器,针对各该第一样本文章,计算相应的该组情绪量值与相应的该正向情绪分数及相应的该组情绪量值与相应的该负向情绪分数之间的相关性;以及
由该处理器,针对各该第一样本文章,根据相应的该相关性、相应的该正向情绪加权分数与相应的该负向情绪加权分数与一组预设情绪量值,计算出相应的该组情绪量值。
16.如权利要求11所述的文章的回应预测方法,其特征在于,该回应数据包含多个情绪信心值以及分别与该多个情绪信心值相关的多组情绪字词。
17.如权利要求11所述的文章的回应预测方法,其特征在于,该存储器还用以储存一情绪关键词推荐模型,该输入接口还用以接收一回应目标,且该文章的回应预测方法还包含下列步骤:
由该处理器,判断该回应数据是否符合该回应目标;以及
若该回应数据不符合该回应目标,则由该处理器,根据该情绪关键词推荐模型,产生推荐数据,其中该推荐数据与该回应目标相关。
18.如权利要求17所述的文章的回应预测方法,其特征在于,该存储器还储存多个第二样本文章以及分别与该多组情绪量值相关的多组情绪量值,且该文章的回应预测方法还包含下列步骤:
由该处理器,针对各该第二样本文章,根据相应的该组情绪量值决定一情绪标签;以及
由该处理器,根据该等情绪标签与该等第二样本文章,透过机器学习建立该情绪关键词推荐模型。
19.如权利要求18所述的文章的回应预测方法,其特征在于,该文章的回应预测方法还包含下列步骤:
由该处理器,针对各该第二样本文章,根据相应的该情绪标签进行一断词处理以及一词性标注处理,以取得多个特定字词;
由该处理器,透过机器学习建立全部特定字词与该等情绪标签的关联;以及
由该处理器,根据该关联,建立该情绪关键词推荐模型。
20.如权利要求17所述的文章的回应预测方法,其特征在于,该推荐数据包含符合该回应目标的关键词、文章、与发文型态其中至少一项。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107138819A TWI681308B (zh) | 2018-11-01 | 2018-11-01 | 文章的回應預測裝置及方法 |
TW107138819 | 2018-11-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126033A true CN111126033A (zh) | 2020-05-08 |
Family
ID=69942396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811342518.8A Pending CN111126033A (zh) | 2018-11-01 | 2018-11-13 | 文章的回应预测装置及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200142963A1 (zh) |
CN (1) | CN111126033A (zh) |
TW (1) | TWI681308B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11604927B2 (en) * | 2019-03-07 | 2023-03-14 | Verint Americas Inc. | System and method for adapting sentiment analysis to user profiles to reduce bias |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140088944A1 (en) * | 2012-09-24 | 2014-03-27 | Adobe Systems Inc. | Method and apparatus for prediction of community reaction to a post |
CN106055596A (zh) * | 2016-05-23 | 2016-10-26 | 南开大学 | 一种多标签在线新闻读者情绪预测方法 |
CN108121799A (zh) * | 2017-12-21 | 2018-06-05 | 广东欧珀移动通信有限公司 | 回复语句的推荐方法、装置、存储介质及移动终端 |
US20180174020A1 (en) * | 2016-12-21 | 2018-06-21 | Microsoft Technology Licensing, Llc | Systems and methods for an emotionally intelligent chat bot |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI395201B (zh) * | 2010-05-10 | 2013-05-01 | Univ Nat Cheng Kung | 情緒語音辨識方法及系統 |
WO2017051425A1 (en) * | 2015-09-23 | 2017-03-30 | Devanathan Giridhari | A computer-implemented method and system for analyzing and evaluating user reviews |
CN107315797A (zh) * | 2017-06-19 | 2017-11-03 | 江西洪都航空工业集团有限责任公司 | 一种网络新闻获取及文本情感预测系统 |
CN108573411B (zh) * | 2018-04-17 | 2021-09-21 | 重庆理工大学 | 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法 |
-
2018
- 2018-11-01 TW TW107138819A patent/TWI681308B/zh active
- 2018-11-13 CN CN201811342518.8A patent/CN111126033A/zh active Pending
- 2018-11-28 US US16/203,564 patent/US20200142963A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140088944A1 (en) * | 2012-09-24 | 2014-03-27 | Adobe Systems Inc. | Method and apparatus for prediction of community reaction to a post |
CN106055596A (zh) * | 2016-05-23 | 2016-10-26 | 南开大学 | 一种多标签在线新闻读者情绪预测方法 |
US20180174020A1 (en) * | 2016-12-21 | 2018-06-21 | Microsoft Technology Licensing, Llc | Systems and methods for an emotionally intelligent chat bot |
CN108121799A (zh) * | 2017-12-21 | 2018-06-05 | 广东欧珀移动通信有限公司 | 回复语句的推荐方法、装置、存储介质及移动终端 |
Also Published As
Publication number | Publication date |
---|---|
TW202018535A (zh) | 2020-05-16 |
US20200142963A1 (en) | 2020-05-07 |
TWI681308B (zh) | 2020-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
Suhaili et al. | Service chatbots: A systematic review | |
CN110427463B (zh) | 搜索语句响应方法、装置及服务器和存储介质 | |
Schnabel et al. | Evaluation methods for unsupervised word embeddings | |
KR102288249B1 (ko) | 정보 처리 방법, 단말기, 및 컴퓨터 저장 매체 | |
US8370278B2 (en) | Ontological categorization of question concepts from document summaries | |
Seerat et al. | Opinion Mining: Issues and Challenges(A survey) | |
CN108363790A (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
CN108388608B (zh) | 基于文本感知的情感反馈方法、装置、计算机设备和存储介质 | |
WO2017013667A1 (en) | Method for product search using the user-weighted, attribute-based, sort-ordering and system thereof | |
Yang et al. | A decision method for online purchases considering dynamic information preference based on sentiment orientation classification and discrete DIFWA operators | |
CN111368555B (zh) | 一种数据识别方法、装置、存储介质和电子设备 | |
Nasim et al. | ABSA toolkit: An open source tool for aspect based sentiment analysis | |
CN114817683A (zh) | 一种信息推荐方法、装置、计算机设备及存储介质 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
CN113821588A (zh) | 文本处理方法、装置、电子设备及存储介质 | |
CN111126033A (zh) | 文章的回应预测装置及方法 | |
CN113869034A (zh) | 基于强化依赖图的方面情感分类方法 | |
Li et al. | Emotion analysis for the upcoming response in open-domain human-computer conversation | |
Sumathi et al. | Sentiment Analysis on Feedback Data of E-commerce Products Based on NLP | |
CN116304058B (zh) | 企业负面信息的识别方法、装置、电子设备及存储介质 | |
KR102609681B1 (ko) | 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 | |
US11501070B2 (en) | Taxonomy generation to insert out of vocabulary terms and hypernym-hyponym pair induction | |
CN113657097B (zh) | 一种摘要事实一致性的评估验证方法及其系统 | |
Lal et al. | Sentiment classification based on public reviews of different states towards the police |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |