CN111563162A - 基于文本情感分析的mooc评论分析系统及方法 - Google Patents

Abstract

本发明提供一种基于文本情感分析的MOOC评论分析系统及方法，涉及数据挖掘与情感分析技术领域。本发明包括用户模块，课程数据管理模块、评论分析模块、概率分析模块以及前端界面；本发明通过对神经网络模型进行训练，对基于文本情感分析的MOOC评论分析系统进行操作，能够对用户欲了解的课程进行历史评论分析，根据用户需求，最终自动化地相应给用户所需要的分析数据。

Description

基于文本情感分析的MOOC评论分析系统及方法

技术领域

本发明涉及数据挖掘与情感分析技术领域，尤其涉及一种基于文本情感分析的MOOC评论分析系统及方法。

背景技术

MOOC，即大规模开放课程(Massive Open Online Course)，是“互联网+教育”的产物，是新进涌现出来的一种在线课程开发模式。MOOC是以连通主义理论和网络化学习的开放教育学为基础的。这些课程跟传统的大学课程一样循序渐进地让学生从初学者成长为高级人才。课程的范围不仅覆盖了广泛的科技学科，比如数学和工程学，也包括了社会科学和人文学科。

然而，由于MOOC处于初级发展阶段，出现了许多不可避免的问题，无论是顶层设计还是具体环节都不可避免地存在一些问题和薄弱环节，认清这些问题有助于慕课的良性发展。从学习者的角度了解课程或平台的不足或缺陷，能够客观的认识到MOOC的不足和正确的发展方向。

此外，用户评论在近几年广泛存在于各类电子商务中。越来越多的消费者选择网上消费前进行用户评论的了解，以此来从多方面了解产品，从而调整自己的消费倾向和行为。作为商家，也可以通过这些评论信息来了解消费者的感情倾向，了解消费者对商品的满意度、建议或意见。

MOOC作为一种大型网络在线课程平台，也开放了用户对其参加的课程进行线上评价。而发起课程的组织、教师则是可以通过分析这些评论，总结出自己课程的问题所在，不断修正、改进课程，促进网络课程的良性发展。参与学习的用户也可以根据相关课程评论，更详细准确的多方面了解课程，从而调整自己的学习方向，同时也避免因为课程介绍不够准确误导用户，学习一段时间后才发现学习方向产生偏差，浪费大量精力和时间。此外，MOOC平台也能分析评论后，对一些无实际内容或用户评价极差的课程进行警告或整改，提高平台的整体教学质量及水平。因此，对MOOC课程的用户评论进行分析能够有效的促进慕课教学模式的快速、良性发展，对平台、课程发布者以及用户都是必要且有利的。

然而，当前并没有一套成熟的系统，能够对MOOC的某项课程所有评论进行有效的、可视化结果的分析，无法帮助学习者直观地了解课程的特点与优势，管理者为认识到课程的不足，对课程进行调整，也将耗费大量的人力物力对数以千记的课程评论进行人工分析，耗时耗力且有效性不足。因此，当前并没有系统能够满足帮助MOOC良性发展的需求。

发明内容

针对现有技术存在的问题，本发明提供一种基于文本情感分析的MOOC评论分析系统及方法，对用户欲了解的课程进行历史评论分析，可根据用户需求，最终自动化地相应给用户所需要的分析数据。

本发明所采取的技术方案是：

一方面，本发明提供一种基于文本情感分析的MOOC评论分析系统，包括用户模块，课程数据管理模块、评论分析模块、概率分析模块以及前端界面；

所述用户模块包括管理用户账号基本信息和用户使用历史记录信息，用户模块用于管理用户的主要信息，提供给用户查看和修改自身信息的权限；

所述课程数据管理模块包括课程评论数据上传模块和课程历史分析记录模块；所述课程评论数据上传模块用于处理用户上传的所有课程评论信息并储存在数据库中，并将数据传输至评论分析模块；所述课程历史分析记录模块用于储存并读取同一课程所有的历史分析记录，并将该信息输出至前端界面；

所述评论分析模块对已上传的课程评论数据进行分析，根据用户需求提供各项属性分析结果，并将各属性结果输出至概率分析模块；

所述概率分析模块将从评论分析模块接受到的属性值进行概率分析，根据用户需求，对用户关注的维度进行概率计算，得到属性对应的情感概率值，将结果输出至前端界面；概率分析模块所分析的属性由评论分析模块决定，并将所需信息输出至评论分析模块；

所述前端界面通过用户输入接口，获取用户输入数据，上传至课程数据管理模块，并在系统完成概率分析后，接收概率分析模块输出的信息，对用户模块、课程数据管理模块以及概率分析模块的数据信息进行显示。

另一方面，一种基于文本情感分析的MOOC评论分析方法，通过前述基于文本情感分析的MOOC评论分析系统实现：包括以下步骤：

步骤1：神经网络模型训练阶段，使用开源人工神经网络库Keras的embedding层来做word2vec，使用LSTM模型对评论数据进行情感分析；

步骤1.1：对待分析的文件数据进行加载并分别进行label分类，合并正负数据集并调用Jieba分词进行分词；

步骤1.2：进行数据处理，建立特征工程，并将词转为词向量，打乱词向量的排序并将其转化为训练格式；

步骤1.3：基于Keras构建LSTM神经网络模型，并将训练完毕的训练模型进行保存；

步骤2：对基于文本情感分析的MOOC评论分析系统进行操作，完成评论的文本情感分析。

步骤2.1：在用户查询模块输入待分析的文件数据，对用户输入的数据进行解析，将数据转换成输入参数；

步骤2.2：对基于词相关性与相似度的textrank算法进行参数调整，对输入参数进行关键词提取，同时将提取的关键词进行计数并字典化，将数据转化为json处理；

步骤2.3：通过步骤2.2中提取的关键词出现频率来构建词云和直方图，同时显示所有评论和与评论相关的关键词；

步骤2.4：在用户查询模块中点击步骤2.3的词云中的词汇，显示该词的词频率，总次数与词占比，以及与此词相关的综合分析数据；

步骤2.5：通过步骤1.3中的神经网络模型判断其情感极性，生成每个关键词对应属性的用户历史情感及评价，并将分析数据通过前端界面显示给用户。

采用上述技术方案所产生的有益效果在于：

本发明提供的基于文本情感分析的MOOC课程评论分析系统及方法，本方法将文本情感分析技术应用于课程评论信息，将某课程综合质量的从用户评论的各个角度进行分解，得到该课程的关键词，并通过统计分析得到该课程各项数据的用户综合评价，给出供用户选择的不同属性维度的评价信息，帮助用户甄别适合自己的、高质量的课程。

附图说明

图1为本发明MOOC评论分析系统的结构示意图；

图2为本发明实施例MOOC评论分析方法流程图；

图3为本发明实施例评论关键字频率分析结果显示示意图；

图4为本发明实施例评论分析结果显示示意图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

一方面，本发明提供一种基于文本情感分析的MOOC评论分析系统，如图1所示，包括用户模块，课程数据管理模块、评论分析模块、概率分析模块以及前端界面；

所述用户模块包括管理用户账号基本信息和用户使用历史记录信息，用户模块用于管理用户的主要信息，提供给用户查看和修改自身信息的权限；

所述课程数据管理模块包括课程评论数据上传模块和课程历史分析记录模块；所述课程评论数据上传模块用于处理用户上传的所有课程评论信息并储存在数据库中，并将数据传输至评论分析模块；所述课程历史分析记录模块用于储存并读取同一课程所有的历史分析记录，并将该信息输出至前端界面；

所述评论分析模块用于对已上传的课程评论数据进行分析，以根据用户需求提供各项属性分析结果，并将各属性结果输出至概率分析模块；

所述概率分析模块用于将从评论分析模块接受到的属性值进行概率分析，根据用户需求，对用户关注的维度进行概率计算，得到属性对应的情感概率值，将结果输出至前端界面；概率分析模块所分析的属性由评论分析模块决定，并将所需信息输出至评论分析模块；

所述前端界面通过用户输入接口，获取用户输入数据，上传至课程数据管理模块，并在系统完成概率分析后，接收概率分析模块输出的信息，对用户模块、课程数据管理模块以及概率分析模块的数据信息进行显示。

另一方面，一种基于文本情感分析的MOOC评论分析方法，通过前述基于文本情感分析的MOOC评论分析系统实现，如图2所示，包括以下步骤：

步骤1：神经网络模型训练阶段，使用Keras的embedding层来做word2vec，LSTM模型对评论数据进行情感分析；

步骤1.1：对待分析的文件数据进行加载并分别进行label分类，合并正负数据集并调用Jieba分词进行分词；

本实施例使用的数据集是通过网络下载及购买收集并自行标注整理的文本情感分析二分类数据(涉及六个领域)，这份数据包括50679条积极评论与50428条消极评论；

步骤1.2：进行数据处理，建立特征工程，并将词转为词向量，打乱词向量的排序并将其转化为训练格式；

步骤1.3：基于Keras构建LSTM神经网络模型，并将训练完毕的训练模型进行保存；

步骤2：对基于文本情感分析的MOOC评论分析系统进行操作，完成评论的文本情感分析。

步骤2.1：在系统的前端页面，输入待分析的文件数据，对用户输入的数据进行解析，将数据转换成输入参数；

步骤2.2：使用经过改进的基于词相关性与相似度的textrank算法来对输入参数进行关键词提取，同时将提取的关键词进行计数并字典化一遍json处理；

步骤2.3：通过步骤2.2中提取的关键词出现频率来构建词云和直方图，同时显示所有评论和与评论相关的关键词；

步骤2.4：在前端页面中点击步骤2.3的词云中的词汇，显示该词的词频率，总次数与词占比，以及与此词相关的综合分析数据；

步骤2.5：通过步骤1.3中的神经网络模型判断其情感极性，生成每个关键词对应属性的用户历史情感及评价，并将分析数据通过前端界面显示给用户。

本实施例中，为了训练情绪分析模型，采用一个中文的评论语料库作为训练集。经过预处理和标签，我们用LSTM建立了一个情绪分析模型来训练它们。然后我们处理信息并构建用户界面。我们的系统提供了两个入口来获取课程评论。它允许用户以给定的excel格式上传数据集。此外，用户还可以提供包含评论的网页链接，我们的爬虫可以获取所有的评论以供进一步分析。评论关键字频率分析结果显示示意图由三个部分组成，如图3所示。在左上角，有一个词云，它显示了从视图中获得的所有关键词。一个关键词出现的频率越高，这个词就会越大。在这一页的右边是一个关键词频率的直方图，通过它我们可以发现关键词出现的频率。左下角的列表列出了所有的评论、提取的关键字以及评论者对它们的态度。当我们点击词云中的一个词时，系统会跳转到评论分析结果显示示意图，如图4所示，本页将列出所有包含关键字的评论，并按正误比例分析结果。它详细说明了为什么一些评论者对某个特性持积极态度，而另一些评论者却持消极态度。这种仔细的分析将帮助一个潜在的学习者做出正确的决定，选择一个合适的资源学习。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明权利要求所限定的范围。

Claims (3)

1.一种基于文本情感分析的MOOC评论分析系统，其特征在于：包括用户模块，课程数据管理模块、评论分析模块、概率分析模块以及前端界面；

所述用户模块包括管理用户账号信息和用户使用历史记录信息，通过所述前端界面提供给用户查看和修改自身信息的权限；

所述课程数据管理模块包括课程评论数据上传模块和课程历史分析记录模块；所述课程评论数据上传模块用于处理用户上传的所有课程评论信息并储存在数据库中，并将数据传输至评论分析模块；所述课程历史分析记录模块用于储存并读取同一课程所有的历史分析记录，并将该信息输出至前端界面；

所述评论分析模块对已上传的课程评论数据进行分析，根据用户需求提供各项属性分析结果，并将各属性结果输出至概率分析模块；

所述概率分析模块将从评论分析模块接受到的属性值进行概率分析，根据用户需求，对用户关注的维度进行概率计算，得到属性对应的情感概率值，将结果输出至前端界面；概率分析模块所分析的属性由评论分析模块决定，并将所需信息输出至评论分析模块；

所述前端界面通过用户输入接口，获取用户输入数据，上传至课程数据管理模块，并在系统完成概率分析后，接收概率分析模块输出的信息，对用户模块、课程数据管理模块以及概率分析模块的数据信息进行显示。

2.一种基于文本情感分析的MOOC评论分析方法，通过权利要求1所述基于文本情感分析的MOOC评论分析系统实现，其特征在于：包括以下步骤：

步骤1：神经网络模型训练阶段，使用开源人工神经网络库Keras的embedding层来做word2vec，使用LSTM模型对评论数据进行情感分析；

步骤1.1：对待分析的文件数据进行加载并分别进行label分类，合并正负数据集并调用Jieba分词进行分词；

步骤1.2：进行数据处理，建立特征工程，并将词转为词向量，打乱词向量的排序并将其转化为训练格式；

步骤1.3：基于Keras构建LSTM神经网络模型，并将训练完毕的训练模型进行保存；

步骤2：对基于文本情感分析的MOOC评论分析系统进行操作，完成评论的文本情感分析。

3.根据权利要求2所述的一种基于文本情感分析的MOOC评论分析方法，其特征在于：所述步骤2具体包括：

步骤2.1：在用户查询模块输入待分析的文件数据，对用户输入的数据进行解析，将数据转换成输入参数；

步骤2.2：对基于词相关性与相似度的textrank算法进行参数调整，对输入参数进行关键词提取，同时将提取的关键词进行计数并字典化，将数据转化为json处理；

步骤2.3：通过步骤2.2中提取的关键词出现频率来构建词云和直方图，同时显示所有评论和与评论相关的关键词；

步骤2.4：在用户查询模块中点击步骤2.3的词云中的词汇，显示该词的词频率，总次数与词占比，以及与此词相关的综合分析数据；

步骤2.5：通过步骤1.3中的神经网络模型判断其情感极性，生成每个关键词对应属性的用户历史情感及评价，并将分析数据通过前端界面显示给用户。

Images