CN112732915A - 情感分类方法、装置、电子设备及存储介质 - Google Patents

情感分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112732915A
CN112732915A CN202011640369.0A CN202011640369A CN112732915A CN 112732915 A CN112732915 A CN 112732915A CN 202011640369 A CN202011640369 A CN 202011640369A CN 112732915 A CN112732915 A CN 112732915A
Authority
CN
China
Prior art keywords
word vector
semantic
preset
initial
word
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
Application number
CN202011640369.0A
Other languages
English (en)
Inventor
何友鑫
彭琛
汪伟
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011640369.0A priority Critical patent/CN112732915A/zh
Priority to PCT/CN2021/083713 priority patent/WO2022141861A1/zh
Publication of CN112732915A publication Critical patent/CN112732915A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及智能决策技术，揭露了一种情感分类方法，包括：获取原始文本数据，对原始文本数据进行文本预处理，得到初始字词集；对初始字词集进行编码处理，得到整数编码，根据整数编码对初始字词集进行向量化处理，得到标准词向量集；对标准词向量集进行双向语义处理，得到语义词向量集；利用预设的长短期记忆网络对语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对目标文本序列进行概率计算得到概率值，对概率值进行分析得到情感分类结果。此外，本发明还涉及区块链技术，所述初始字词集可存储于区块链的节点。本发明还提出一种情感分类装置、电子设备以及计算机可读存储介质。本发明可以解决情感分类的准确性不高的问题。

Description

情感分类方法、装置、电子设备及存储介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种情感分类方法、装置、电子设备及计算机可读存储介质。
背景技术
随着社交网络的不断兴起，互联网已不仅仅是人们获取日常信息的来源，同时也成为人们表达自己观点不可或缺的平台。人们在网络社区评论热点事件、抒写影评观点以及描述产品体验等，都会产生大量的带有情感色彩的文本信息，而对这些文本信息进行有效的情感分析，可以更好地了解用户的兴趣倾向和关注程度。
现有的情感分类方法是基于传统机器学习的方法来分类，无法提取到更深层的上下文语义和结构特征，导致关键词提取不全面或不完整进而降低情感分类的准确性。
发明内容
本发明提供一种情感分类方法、装置及计算机可读存储介质，其主要目的在于解决情感分类的准确性不高的问题。
为实现上述目的，本发明提供的一种情感分类方法，包括：
获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；
对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；
利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；
利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
可选地，所述对所述初始字词集进行编码处理，得到整数编码，包括：
确定所述初始字词集中每个初始字词的分类变量；
对所述分类变量进行编码命名处理，得到整数编码。
可选地，所述根据所述整数编码对所述初始字词集进行向量化，得到标准词向量集，包括：
在二维直角坐标系中选择任意一个目标点；
将所述初始字词集中的初始字词以所述目标点为基准进行纵向排列，将所述分类变量以所述目标点为基准按照所述整数编码的顺序进行横向排列；
若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点相同，令所述交叉点为第一数值，若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点不相同，令所述交叉点为第二数值，得到由所述第一数值和所述第二数值构成的结果矩阵；
从所述结果矩阵中提取所述第一数值或所述第二数值构成多个向量，得到标准词向量集。
可选地，所述利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集，包括：
获取所述标准词向量集中多个目标向量；
计算所述多个目标向量的多个前向向量和多个后向向量；
利用预设的双向语义计算公式、所述多个前向向量和所述多个后向向量进行计算，得到所述多个目标向量的多个语义词向量；
汇总所述多个语义词向量，得到所述语义词向量集。
可选地，所述利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，包括：
通过所述输入门计算所述语义词向量集中语义词向量的状态值；
通过所述遗忘门计算所述语义词向量集中语义词向量的激活值；
根据所述状态值和所述激活值计算所述语义词向量的状态更新值；
利用所述输出门计算所述状态更新值对应的初始文本序列；
根据预设的损失函数计算所述初始文本序列与预设的真实标签的损失值，当所述损失值小于预设阈值，确定所述初始文本序列为所述语义词向量的目标文本序列。
可选地，所述根据预设的注意力机制对所述目标文本序列进行概率计算，得到概率值，对所述概率值进行分析得到情感分类结果，包括：
根据预设的权重系数公式计算所述目标文本序列的权重系数；
利用所述权重系数计算所述目标文本序列的上下文序列；
根据所述上下文序列和预设的概率计算公式计算所述目标文本序列对应的概率值；
若所述概率值大于预设的第一概率值，判定所述情感分类结果为正面情感；
若所述概率值小于预设的第一概率值且大于预设的第二概率值，判定所述情感分类结果为负面情感；
若所述概率值小于预设的第二概率值，判定所述情感分类结果为中性情感。
可选地，所述对所述原始文本数据进行文本预处理，得到初始字词集，包括：
抽取所述原始文本数据中的关键语句，得到关键语句集；
对所述关键语句集进行去停用词处理，得到去停语句集；
对所述去停语句集进行分词处理，得到初始字词集。
为了解决上述问题，本发明还提供一种情感分类装置，所述装置包括：
文本预处理模块，用于获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；
向量化模块，用于对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；
双向语义模块，用于利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；
分类模块，用于利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的情感分类方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的情感分类方法。
本发明通过对原始文本数据进行预处理和向量化处理，得到标准词向量集，再对所述标准词向量集进行双向语义处理，得到语义词向量集，所述双向语义处理可以捕捉到标准词向量的前向信息和后向信息，令得到的语义词向量包含上下文的语义信息，增强了提取到的语义信息的全面性和丰富性，进而有利于提高对文本进行情感分类的准确性。因此本发明提出的情感分类方法、装置、电子设备及计算机可读存储介质，可以解决情感分类的准确性不高的问题。
附图说明
图1为本发明一实施例提供的情感分类方法的流程示意图；
图2为本发明一实施例提供的情感分类装置的功能模块图；
图3为本发明一实施例提供的实现所述情感分类方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种情感分类方法。所述情感分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述情感分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的情感分类方法的流程示意图。在本实施例中，所述情感分类方法包括：
S1、获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集。
本发明实施例中，所述原始文本数据可以为篇章级文本。
例如，原始文本数据为不动产相关的新闻文章，具体的，可以从不动产相关的新闻站点上利用python技术爬取新闻文章。
在本发明其他实施例中，所述原始文本数据还可以是其他领域的新闻文章，例如，电子商务相关的新闻文章，医学领域相关的新闻文章。
具体地，所述对所述原始文本数据进行文本预处理，得到初始字词集，包括：
抽取所述原始文本数据中的关键语句，得到关键语句集；
对所述关键语句集进行去停用词处理，得到去停语句集；
对所述去停语句集进行分词处理，得到初始字词集。
优选的，所述原始文本数据中的关键语句包括原始文本数据中的标题、首句、尾句、中间关键句之中的至少两项。
其中，中间关键句可以为连接词之后的语句，例如，检测到连接词“然后”，则将该连接词之后的语句作为关键语句。例如，所述原始文本数据中的关键语句是不动产相关新闻文章的首尾句及中间关键句。
详细地，所述去停用词处理是利用预设的停用词表去掉所述关键语句集中关键语句中没有实际含义的词语。例如，将关键语句集中每个关键语句中的“啊”，“的”等词语进行删除。
其中，所述停用词表可以为获取到的“哈工大停用词词库”和“四川大学机器学习智能实验室停用词词库”，或者停用词表也可以为预设的。
进一步地，本发明其中一个实施例可以利用Jieba工具对所述去停语句集中每个句子进行分词处理，将每个句子拆分成多个词语，得到初始字词集。
S2、对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集。
本发明实施例中，所述对所述初始字词集进行编码处理，得到整数编码，包括：
确定所述初始字词集中每个初始字词的分类变量；
对所述分类变量进行编码命名处理，得到整数编码。
其中，初始字词的分类变量是指初始字词所属的类别，确定所述初始字词集的分类变量即为分析所述初始字词集中初始字词所属的类别。
具体地，本发明实施例中，对所述分类变量进行编码处理是按照所述分类变量的不同类别进行编码标识，例如，将第一个分类变量标识为0，将第二个分类变量标识为1，将第三个分类变量标识为2。
其中，例如，所述初始字词集中包括[“房价”，“上涨”，“下降”，“上涨”]，确定所述初始字词集中的分类变量为房价、上涨、下降共三个类别，对所述分类向量进行整数编码，令房价为0，上涨为1，下降为2，可得到标准词向量集为[1，0，0]，[0，1，0]，[0，0，1]，[0，1，0]。
进一步地，所述根据所述整数编码对所述初始字词集进行向量化，得到标准词向量集，包括：
在二维直角坐标系中选择任意一个目标点；
将所述初始字词集中的初始字词以所述目标点为基准进行纵向排列，将所述分类变量以所述目标点为基准按照所述整数编码的顺序进行横向排列；
若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点相同，令所述交叉点为第一数值，若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点不相同，令所述交叉点为第二数值，得到结果矩阵；
提取所述结果矩阵中所述第一数值和所述第二数值构成的向量，得到标准词向量集。
例如，结果矩阵为
Figure BDA0002879898250000061
则从该结果矩阵中按照行或列的顺序提取数值得到多个向量[1，0，0]，[0，1，0]，[0，0，1]，则标准词向量集由该多个向量构成。
S3、利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集。
本发明实施例中，利用预设的文本训练模型对所述标准词向量集进行双向语义处理，其中，所述文本训练模型的结构由三层Bi-LSTM(Bi-directional Long Short-TermMemory，双向长短期记忆)网络构成。
具体地，所述对所述标准词向量集进行双向语义处理，得到语义词向量集，包括：
获取所述标准词向量集中多个目标向量；
计算所述多个目标向量的多个前向向量和多个后向向量；
利用预设的双向语义计算公式、所述多个前向向量和所述多个后向向量进行计算，得到所述多个目标向量的多个语义词向量；
汇总所述多个语义词向量，得到所述语义词向量集。
详细地，
所述前向向量公式和所述后向向量公式包括：
Figure BDA0002879898250000071
Figure BDA0002879898250000072
其中，
Figure BDA0002879898250000073
表示前向向量，
Figure BDA0002879898250000074
表示后向向量，
Figure BDA0002879898250000075
和
Figure BDA0002879898250000076
为Bi-LSTM网络中的第一变量，
Figure BDA0002879898250000077
为前向向量的前一个词汇，
Figure BDA0002879898250000078
为后向向量的前一个词汇。
具体地，所述双向语义计算公式包括：
Figure BDA0002879898250000079
其中，ht为语义词向量，
Figure BDA00028798982500000710
表示前向向量，
Figure BDA00028798982500000711
表示后向向量，U为Bi-LSTM网络中的第二变量，c为预设的参数。
详细地，由于所述文本训练模型中含有三层Bi-LSTM网络，同一个标准词向量在所述文本训练模型中可以逐层提取到三个词向量并作为新特征补充到后续的任务参与训练，从而实现词向量的动态更新，其中，第一层Bi-LSTM网络的输入值为标准词向量，第二、三层Bi-LSTM网络的输入分别对应前一层对应位置输出的词向量，随着网络深度的增加，词向量中包含的句法信息、语义信息都会更加丰富。
S4、利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
本发明实施例中，所述LSTM网络(Long Short-Term Memory，长短期记忆网络)是一种时间循环神经网络，包括：输入门、遗忘门以及输出门。
具体地，所述利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，包括：
步骤A：通过所述输入门计算所述语义词向量集中语义词向量的状态值；
步骤B：通过所述遗忘门计算所述语义词向量集中语义词向量的激活值；
步骤C：根据所述状态值和所述激活值计算所述语义词向量的状态更新值；
步骤D：利用所述输出门计算所述状态更新值对应的初始文本序列；
步骤E：根据预设的损失函数计算所述初始文本序列与预设的真实标签的损失值，当所述损失值小于预设阈值，确定所述初始文本序列为所述语义词向量的目标文本序列。
一可选实施例中，所述状态值的计算方法包括：
Figure BDA0002879898250000085
其中，it表示状态值，
Figure BDA0002879898250000086
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示语义词向量在输入门t-1时刻的峰值，xt表示在t时刻的语义词向量，bi表示输入门中细胞单元的权重。
一可选实施例中，所述激活值的计算方法包括：
Figure BDA0002879898250000081
其中，ft表示激活值，
Figure BDA0002879898250000087
表示遗忘门中细胞单元的偏置，wf表示遗忘门的激活因子，
Figure BDA0002879898250000082
表示语义词向量在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的语义词向量，bf表示遗忘门中细胞单元的权重。
一可选实施例中，所述状态更新值的计算方法包括：
Figure BDA0002879898250000083
其中，ct表示状态更新值，ht-1表示语义词向量在输入门t-1时刻的峰值，
Figure BDA0002879898250000084
表示语义词向量在遗忘门t-1时刻的峰值。
一可选实施例中，所述利用输出门计算状态更新值对应的初始文本序列包括：利用如下公式计算初始文本序列：
ot＝tan h(ct)
其中，ot表示初始文本序列，tan h表示输出门的激活函数，ct表示状态更新值。
进一步地，所述根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果，包括：
根据预设的权重系数公式计算所述目标文本序列的权重系数；
利用所述权重系数计算所述目标文本序列的上下文序列；
根据所述上下文序列和预设的概率计算公式计算所述目标文本序列对应的概率值；
若所述概率值大于预设的第一概率值，判定所述情感分类结果为正面情感；
若所述概率值小于预设的第一概率值且大于预设的第二概率值，判定所述情感分类结果为负面情感；
若所述概率值小于预设的第二概率值，判定所述情感分类结果为中性情感。
具体地，所述预设的权重系数公式包括：
Figure BDA0002879898250000091
其中，ats为权重系数，ht为所述LSTM网络中的隐藏单元，W、V和U为LSTM中的变量，tanh为激活函数，exp为指数函数，t为所述目标序列文本个数，s为LSTM网络中的预设参数，ot为目标文本序列。
进一步地，利用所述权重系数计算出所述目标文本序列的上下文序列，包括：
Figure BDA0002879898250000092
其中，ct为上下文序列，ats为权重系数，ot为目标文本序列，s为LSTM网络中的预设参数。
具体地，所述根据所述上下文序列和预设的概率计算公式计算所述目标文本序列对应的概率值，包括：
所述概率计算公式为：
yt＝f(ct，ot)＝σ(Wc[ct；ot])
其中，yt为概率值，ct表示状态更新值。
本发明通过对原始文本数据进行预处理和向量化处理，得到标准词向量集，再对所述标准词向量集进行双向语义处理，得到语义词向量集，所述双向语义处理可以捕捉到标准词向量的前向信息和后向信息，令得到的语义词向量包含上下文的语义信息，增强了提取到的语义信息的全面性和丰富性，进而有利于提高对文本进行情感分类的准确性。因此本发明提出的情感分类方法可以解决情感分类的准确性不高的问题。
如图2所示，是本发明一实施例提供的情感分类装置的功能模块图。
本发明所述情感分类装置100可以安装于电子设备中。根据实现的功能，所述情感分类装置100可以包括文本预处理模块101、向量化模块102、双向语义模块103及分类模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述文本预处理模块101，用于获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；
所述向量化模块102，用于对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；
所述双向语义模块103，用于利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；
所述分类模块104，用于利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。。
所述文本预处理模块101，用于获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集。
本发明实施例中，所述原始文本数据可以为篇章级文本。
例如，原始文本数据为不动产相关的新闻文章，具体的，可以从不动产相关的新闻站点上利用python技术爬取新闻文章。
在本发明其他实施例中，所述原始文本数据还可以是其他领域的新闻文章，例如，电子商务相关的新闻文章，医学领域相关的新闻文章。
具体地，所述所述文本预处理模块101具体用于：
获取原始文本数据；
抽取所述原始文本数据中的关键语句，得到关键语句集；
对所述关键语句集进行去停用词处理，得到去停语句集；
对所述去停语句集进行分词处理，得到初始字词集。
优选的，所述原始文本数据中的关键语句包括原始文本数据中的标题、首句、尾句、中间关键句之中的至少两项。
其中，中间关键句可以为连接词之后的语句，例如，检测到连接词“然后”，则将该连接词之后的语句作为关键语句。例如，所述原始文本数据中的关键语句是不动产相关新闻文章的首尾句及中间关键句。
详细地，所述去停用词处理是利用预设的停用词表去掉所述关键语句集中关键语句中没有实际含义的词语。例如，将关键语句集中每个关键语句中的“啊”，“的”等词语进行删除。
其中，所述停用词表可以为获取到的“哈工大停用词词库”和“四川大学机器学习智能实验室停用词词库”，或者停用词表也可以为预设的。
进一步地，本发明其中一个实施例可以利用Jieba工具对所述去停语句集中每个句子进行分词处理，将每个句子拆分成多个词语，得到初始字词集。
所述向量化模块102，用于对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集。
本发明实施例中，所述所述向量化模块102具体用于：
确定所述初始字词集中每个初始字词的分类变量；
对所述分类变量进行编码命名处理，得到整数编码。
其中，初始字词的分类变量是指初始字词所属的类别，确定所述初始字词集的分类变量即为分析所述初始字词集中初始字词所属的类别。
具体地，本发明实施例中，对所述分类变量进行编码处理是按照所述分类变量的不同类别进行编码标识，例如，将第一个分类变量标识为0，将第二个分类变量标识为1，将第三个分类变量标识为2。
其中，例如，所述初始字词集中包括[“房价”，“上涨”，“下降”，“上涨”]，确定所述初始字词集中的分类变量为房价、上涨、下降共三个类别，对所述分类向量进行整数编码，令房价为0，上涨为1，下降为2，可得到标准词向量集为[1，0，0]，[0，1，0]，[0，0，1]，[0，1，0]。
进一步地，所述根据所述整数编码对所述初始字词集进行向量化，得到标准词向量集，包括：
在二维直角坐标系中选择任意一个目标点；
将所述初始字词集中的初始字词以所述目标点为基准进行纵向排列，将所述分类变量以所述目标点为基准按照所述整数编码的顺序进行横向排列；
若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点相同，令所述交叉点为第一数值，若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点不相同，令所述交叉点为第二数值，得到结果矩阵；
提取所述结果矩阵中所述第一数值和所述第二数值构成的向量，得到标准词向量集。
例如，结果矩阵为
Figure BDA0002879898250000121
则从该结果矩阵中按照行或列的顺序提取数值得到多个向量[1，0，0]，[0，1，0]，[0，0，1]，则标准词向量集由该多个向量构成。
所述双向语义模块103，用于利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集。
本发明实施例中，利用预设的文本训练模型对所述标准词向量集进行双向语义处理，其中，所述文本训练模型的结构由三层Bi-LSTM(Bi-directional Long Short-TermMemory，双向长短期记忆)网络构成。
具体地，所述所述双向语义模块103具体用于：
获取所述标准词向量集中多个目标向量；
计算所述多个目标向量的多个前向向量和多个后向向量；
利用预设的双向语义计算公式、所述多个前向向量和所述多个后向向量进行计算，得到所述多个目标向量的多个语义词向量；
汇总所述多个语义词向量，得到所述语义词向量集。
详细地，所述前向向量公式和所述后向向量公式包括：
Figure BDA0002879898250000122
Figure BDA0002879898250000131
其中，
Figure BDA0002879898250000132
表示前向向量，
Figure BDA0002879898250000133
表示后向向量，
Figure BDA0002879898250000134
和
Figure BDA0002879898250000135
为Bi-LSTM网络中的第一变量，
Figure BDA0002879898250000136
为前向向量的前一个词汇，
Figure BDA0002879898250000137
为后向向量的前一个词汇。
具体地，所述双向语义计算公式包括：
Figure BDA0002879898250000138
其中，ht为语义词向量，
Figure BDA0002879898250000139
表示前向向量，
Figure BDA00028798982500001310
表示后向向量，U为Bi-LSTM网络中的第二变量，c为预设的参数。
详细地，由于所述文本训练模型中含有三层Bi-LSTM网络，同一个标准词向量在所述文本训练模型中可以逐层提取到三个词向量并作为新特征补充到后续的任务参与训练，从而实现词向量的动态更新，其中，第一层Bi-LSTM网络的输入值为标准词向量，第二、三层Bi-LSTM网络的输入分别对应前一层对应位置输出的词向量，随着网络深度的增加，词向量中包含的句法信息、语义信息都会更加丰富。
所述分类模块104，用于利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
本发明实施例中，所述LSTM(Long Short-Term Memory，长短期记忆网络)网络是一种时间循环神经网络，包括：输入门、遗忘门以及输出门。
具体地，所所述所述分类模块104具体用于：
通过所述输入门计算所述语义词向量集中语义词向量的状态值；
通过所述遗忘门计算所述语义词向量集中语义词向量的激活值；
根据所述状态值和所述激活值计算所述语义词向量的状态更新值；
利用所述输出门计算所述状态更新值对应的初始文本序列；
根据预设的损失函数计算所述初始文本序列与预设的真实标签的损失值，当所述损失值小于预设阈值，确定所述初始文本序列为所述语义词向量的目标文本序列。
一可选实施例中，所述状态值的计算方法包括：
Figure BDA00028798982500001311
其中，it表示状态值，
Figure BDA00028798982500001312
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示语义词向量在输入门t-1时刻的峰值，xt表示在t时刻的语义词向量，bi表示输入门中细胞单元的权重。
一可选实施例中，所述激活值的计算方法包括：
Figure BDA0002879898250000141
其中，ft表示激活值，
Figure BDA0002879898250000145
表示遗忘门中细胞单元的偏置，wf表示遗忘门的激活因子，
Figure BDA0002879898250000142
表示语义词向量在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的语义词向量，bf表示遗忘门中细胞单元的权重。
一可选实施例中，所述状态更新值的计算方法包括：
Figure BDA0002879898250000143
其中，ct表示状态更新值，ht-1表示语义词向量在输入门t-1时刻的峰值，
Figure BDA0002879898250000144
表示语义词向量在遗忘门t-1时刻的峰值。
一可选实施例中，所述利用输出门计算状态更新值对应的初始文本序列包括：利用如下公式计算初始文本序列：
ot＝tan h(ct)
其中，ot表示初始文本序列，tan h表示输出门的激活函数，ct表示状态更新值。
进一步地，所述根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果，包括：
根据预设的权重系数公式计算所述目标文本序列的权重系数；
利用所述权重系数计算所述目标文本序列的上下文序列；
根据所述上下文序列和预设的概率计算公式计算所述目标文本序列对应的概率值；
若所述概率值大于预设的第一概率值，判定所述情感分类结果为正面情感；
若所述概率值小于预设的第一概率值且大于预设的第二概率值，判定所述情感分类结果为负面情感；
若所述概率值小于预设的第二概率值，判定所述情感分类结果为中性情感。
具体地，所述预设的权重系数公式包括：
Figure BDA0002879898250000151
其中，ats为权重系数，ht为所述LSTM网络中的隐藏单元，W、V和U为LSTM中的变量，tanh为激活函数，exp为指数函数，t为所述目标序列文本个数，s为LSTM网络中的预设参数，ot为目标文本序列。
进一步地，利用所述权重系数计算出所述目标文本序列的上下文序列，包括：
Figure BDA0002879898250000152
其中，ct为上下文序列，ats为权重系数，ot为目标文本序列，s为LSTM网络中的预设参数。
具体地，所述根据所述上下文序列和预设的概率计算公式计算所述目标文本序列对应的概率值，包括：
所述概率计算公式为：
yt＝f(ct，ot)＝σ(Wc[ct；ot])
其中，yt为概率值，ct表示状态更新值。
本发明通过对原始文本数据进行预处理和向量化处理，得到标准词向量集，再对所述标准词向量集进行双向语义处理，得到语义词向量集，所述双向语义处理可以捕捉到标准词向量的前向信息和后向信息，令得到的语义词向量包含上下文的语义信息，增强了提取到的语义信息的全面性和丰富性，进而有利于提高对文本进行情感分类的准确性。因此本发明提出的情感分类装置可以解决情感分类的准确性不高的问题。
如图3所示，是本发明一实施例提供的实现情感分类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如情感分类程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如情感分类程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如情感分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的情感分类程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；
对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；
利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；
利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；
对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；
利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；
利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种情感分类方法，其特征在于，所述方法包括：
获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；
对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；
利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；
利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
2.如权利要求1所述的情感分类方法，其特征在于，所述对所述初始字词集进行编码处理，得到整数编码，包括：
确定所述初始字词集中每个初始字词的分类变量；
对所述分类变量进行编码命名处理，得到整数编码。
3.如权利要求1所述的情感分类方法，其特征在于，所述根据所述整数编码对所述初始字词集进行向量化，得到标准词向量集，包括：
在二维直角坐标系中选择任意一个目标点；
将所述初始字词集中的初始字词以所述目标点为基准进行纵向排列，将所述分类变量以所述目标点为基准按照所述整数编码的顺序进行横向排列；
若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点相同，令所述交叉点为第一数值，若横向排列的分类变量对应的字词和纵向排列的初始字词之间的交叉点不相同，令所述交叉点为第二数值，得到由所述第一数值和所述第二数值构成的结果矩阵；
从所述结果矩阵中提取所述第一数值或所述第二数值构成多个向量，得到标准词向量集。
4.如权利要求1所述的情感分类方法，其特征在于，所述利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集，包括：
获取所述标准词向量集中多个目标向量；
计算所述多个目标向量的多个前向向量和多个后向向量；
利用预设的双向语义计算公式、所述多个前向向量和所述多个后向向量进行计算，得到所述多个目标向量的多个语义词向量；
汇总所述多个语义词向量，得到所述语义词向量集。
5.如权利要求1所述的情感分类方法，其特征在于，所述利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，包括：
通过所述输入门计算所述语义词向量集中语义词向量的状态值；
通过所述遗忘门计算所述语义词向量集中语义词向量的激活值；
根据所述状态值和所述激活值计算所述语义词向量的状态更新值；
利用所述输出门计算所述状态更新值对应的初始文本序列；
根据预设的损失函数计算所述初始文本序列与预设的真实标签的损失值，当所述损失值小于预设阈值，确定所述初始文本序列为所述语义词向量的目标文本序列。
6.如权利要求5所述的情感分类方法，其特征在于，所述根据预设的注意力机制对所述目标文本序列进行概率计算，得到概率值，对所述概率值进行分析得到情感分类结果，包括：
根据预设的权重系数公式计算所述目标文本序列的权重系数；
利用所述权重系数计算所述目标文本序列的上下文序列；
根据所述上下文序列和预设的概率计算公式计算所述目标文本序列对应的概率值；
若所述概率值大于预设的第一概率值，判定所述情感分类结果为正面情感；
若所述概率值小于预设的第一概率值且大于预设的第二概率值，判定所述情感分类结果为负面情感；
若所述概率值小于预设的第二概率值，判定所述情感分类结果为中性情感。
7.如权利要求1至6中任一项所述的情感分类方法，其特征在于，所述对所述原始文本数据进行文本预处理，得到初始字词集，包括：
抽取所述原始文本数据中的关键语句，得到关键语句集；
对所述关键语句集进行去停用词处理，得到去停语句集；
对所述去停语句集进行分词处理，得到初始字词集。
8.一种情感分类装置，其特征在于，所述装置包括：
文本预处理模块，用于获取原始文本数据，对所述原始文本数据进行文本预处理，得到初始字词集；
向量化模块，用于对所述初始字词集进行编码处理，得到整数编码，根据所述整数编码对所述初始字词集进行向量化处理，得到标准词向量集；
双向语义模块，用于利用预设的文本训练模型对所述标准词向量集进行双向语义处理，得到语义词向量集；
分类模块，用于利用预设的长短期记忆网络对所述语义词向量集进行筛选处理，得到目标文本序列，根据预设的注意力机制对所述目标文本序列进行概率计算并得到概率值，对所述概率值进行分析得到情感分类结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的情感分类方法。
10.一种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中任意一项所述的情感分类方法。
CN202011640369.0A 2020-12-31 2020-12-31 情感分类方法、装置、电子设备及存储介质 Pending CN112732915A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011640369.0A CN112732915A (zh) 2020-12-31 2020-12-31 情感分类方法、装置、电子设备及存储介质
PCT/CN2021/083713 WO2022141861A1 (zh) 2020-12-31 2021-03-30 情感分类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011640369.0A CN112732915A (zh) 2020-12-31 2020-12-31 情感分类方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112732915A true CN112732915A (zh) 2021-04-30

Family

ID=75609016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011640369.0A Pending CN112732915A (zh) 2020-12-31 2020-12-31 情感分类方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN112732915A (zh)
WO (1) WO2022141861A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113342933A (zh) * 2021-05-31 2021-09-03 淮阴工学院 一种类双塔模型的多特征交互网络招聘文本分类方法
CN113722483A (zh) * 2021-08-31 2021-11-30 平安银行股份有限公司 话题分类方法、装置、设备及存储介质
CN113808577A (zh) * 2021-09-18 2021-12-17 平安银行股份有限公司 语音摘要的智能提取方法、装置、电子设备及存储介质
CN114462411A (zh) * 2022-02-14 2022-05-10 平安科技（深圳）有限公司 命名实体识别方法、装置、设备及存储介质
CN115238683A (zh) * 2022-08-09 2022-10-25 平安科技（深圳）有限公司 循环自注意力的停用词识别方法、装置、设备及介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115714002B (zh) * 2022-09-06 2023-08-11 湖南工商大学 抑郁风险检测模型训练方法、抑郁症状预警方法及相关设备
CN115994217B (zh) * 2022-11-29 2024-01-23 南京审计大学 一种财务报告舞弊检测方法及系统
CN116257488B (zh) * 2023-02-21 2023-08-25 深圳市勘察测绘院(集团)有限公司 岩土工程勘察大数据归档方法、装置、电子设备及介质
CN116011447B (zh) * 2023-03-28 2023-06-30 杭州实在智能科技有限公司 电商评论分析方法、系统及计算机可读存储介质
CN116540790B (zh) * 2023-07-05 2023-09-08 深圳市保凌影像科技有限公司 云台稳定控制方法、装置、电子设备及存储介质
CN116662556B (zh) * 2023-08-02 2023-10-20 天河超级计算淮海分中心 一种融合用户属性的文本数据处理方法
CN116805039B (zh) * 2023-08-21 2023-12-05 腾讯科技（深圳）有限公司 特征筛选方法、装置、计算机设备和数据扰动方法
CN117521652B (zh) * 2024-01-05 2024-04-12 一站发展(北京)云计算科技有限公司 基于自然语言模型的智能匹配系统及方法
CN117789971B (zh) * 2024-02-13 2024-05-24 长春职业技术学院 基于文本情感分析的心理健康智能评测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180349359A1 (en) * 2017-05-19 2018-12-06 salesforce.com,inc. Natural language processing using a neural network
CN109697285A (zh) * 2018-12-13 2019-04-30 中南大学 增强语义表示的层次BiLSTM中文电子病历疾病编码标注方法
CN110517121A (zh) * 2019-09-23 2019-11-29 重庆邮电大学 基于评论文本情感分析的商品推荐方法及商品推荐装置
CN110766073A (zh) * 2019-10-22 2020-02-07 湖南科技大学 一种强化主题注意力机制的移动应用分类方法
CN111341386A (zh) * 2020-02-17 2020-06-26 大连理工大学 引入注意力的多尺度CNN-BiLSTM非编码RNA互作关系预测方法
CN112085012A (zh) * 2020-09-04 2020-12-15 泰康保险集团股份有限公司 项目名称和类别识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10685012B2 (en) * 2016-02-05 2020-06-16 Google Llc Generating feature embeddings from a co-occurrence matrix
CN110472042B (zh) * 2019-07-02 2021-11-26 桂林电子科技大学 一种细粒度情感分类方法
CN111651593A (zh) * 2020-05-08 2020-09-11 河南理工大学 基于词向量和字向量混合模型的文本情感分析方法
CN111930940B (zh) * 2020-07-30 2024-04-16 腾讯科技（深圳）有限公司 一种文本情感分类方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180349359A1 (en) * 2017-05-19 2018-12-06 salesforce.com,inc. Natural language processing using a neural network
CN109697285A (zh) * 2018-12-13 2019-04-30 中南大学 增强语义表示的层次BiLSTM中文电子病历疾病编码标注方法
CN110517121A (zh) * 2019-09-23 2019-11-29 重庆邮电大学 基于评论文本情感分析的商品推荐方法及商品推荐装置
CN110766073A (zh) * 2019-10-22 2020-02-07 湖南科技大学 一种强化主题注意力机制的移动应用分类方法
CN111341386A (zh) * 2020-02-17 2020-06-26 大连理工大学 引入注意力的多尺度CNN-BiLSTM非编码RNA互作关系预测方法
CN112085012A (zh) * 2020-09-04 2020-12-15 泰康保险集团股份有限公司 项目名称和类别识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUNHAO ZHOU ET AL: "Sentiment Analysis of Chinese Microblog Based on Stacked Bidirectional LSTM", 《IEEE ACCESS》, vol. 7, 5 April 2019 (2019-04-05), pages 38856 - 38865 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113342933A (zh) * 2021-05-31 2021-09-03 淮阴工学院 一种类双塔模型的多特征交互网络招聘文本分类方法
CN113342933B (zh) * 2021-05-31 2022-11-08 淮阴工学院 一种类双塔模型的多特征交互网络招聘文本分类方法
CN113722483A (zh) * 2021-08-31 2021-11-30 平安银行股份有限公司 话题分类方法、装置、设备及存储介质
CN113722483B (zh) * 2021-08-31 2023-08-22 平安银行股份有限公司 话题分类方法、装置、设备及存储介质
CN113808577A (zh) * 2021-09-18 2021-12-17 平安银行股份有限公司 语音摘要的智能提取方法、装置、电子设备及存储介质
CN114462411A (zh) * 2022-02-14 2022-05-10 平安科技（深圳）有限公司 命名实体识别方法、装置、设备及存储介质
CN114462411B (zh) * 2022-02-14 2023-05-16 平安科技（深圳）有限公司 命名实体识别方法、装置、设备及存储介质
CN115238683A (zh) * 2022-08-09 2022-10-25 平安科技（深圳）有限公司 循环自注意力的停用词识别方法、装置、设备及介质
CN115238683B (zh) * 2022-08-09 2023-06-20 平安科技（深圳）有限公司 循环自注意力的停用词识别方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2022141861A1 (zh) 2022-07-07

Similar Documents

Publication Publication Date Title
CN112732915A (zh) 情感分类方法、装置、电子设备及存储介质
CN112380859A (zh) 舆情信息的推荐方法、装置、电子设备及计算机存储介质
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN113312461A (zh) 基于自然语言处理的智能问答方法、装置、设备及介质
CN113707303A (zh) 基于知识图谱的医疗问题解答方法、装置、设备及介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN113449187A (zh) 基于双画像的产品推荐方法、装置、设备及存储介质
CN111666415A (zh) 话题聚类方法、装置、电子设备及存储介质
CN115392237B (zh) 情感分析模型训练方法、装置、设备及存储介质
CN113435202A (zh) 基于用户画像的产品推荐方法、装置、电子设备及介质
CN115002200A (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN114398557A (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN114220536A (zh) 基于机器学习的疾病分析方法、装置、设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN113706253A (zh) 实时产品推荐方法、装置、电子设备及可读存储介质
CN113344125A (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN112269875A (zh) 文本分类方法、装置、电子设备及存储介质
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN113515591A (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041465

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination