CN112860894B - 情感分析模型的训练方法、情感分析方法、装置和设备 - Google Patents
情感分析模型的训练方法、情感分析方法、装置和设备 Download PDFInfo
- Publication number
- CN112860894B CN112860894B CN202110186764.4A CN202110186764A CN112860894B CN 112860894 B CN112860894 B CN 112860894B CN 202110186764 A CN202110186764 A CN 202110186764A CN 112860894 B CN112860894 B CN 112860894B
- Authority
- CN
- China
- Prior art keywords
- vector
- evaluation
- evaluation text
- emotion
- network layer
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 240
- 238000004458 analytical method Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 311
- 238000011156 evaluation Methods 0.000 claims abstract description 279
- 238000003860 storage Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 97
- 238000012360 testing method Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 10
- 230000007935 neutral effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 230000002996 emotional effect Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (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)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本公开公开了一种情感分析模型的训练方法,涉及人工智能领域,尤其涉及自然语言处理领域。具体实现方案为:获取样本数据,样本数据包括针对对象的第一评价文本和所述第一评价文本的标签,所述标签包括第一评价文本对对象的至少一个方面的情感极性;生成第一评价文本相对于至少一个方面中每个方面的特征向量;使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对对象的至少一个方面中每个方面的情感极性,作为评估结果;根据评估结果与第一评价文本的标签之间的差异,调整情感分析模型的参数。本公开还公开了一种情感分析模型的训练装置、情感分析方法和装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理技术。更具体地,本公开提供了一种情感分析模型的训练方法和装置、情感分析方法和装置、电子设备和存储介质。
背景技术
在自然语言处理应用中,情感分析有着巨大的前景。比如通过用户在互联网平台上发表的评论可以评估用户对产品或服务的满意程度。而用户发表的评论中还包含了用户对产品或服务细节的反馈信息,这些细节的反馈信息能够反映用户对产品或服务的具体哪些方面满意、哪些方面不满意。
目前,对产品或服务的方面级别的情感分析在自然语言处理中显得尤为重要。
发明内容
本公开提供了一种情感分析模型的训练方法和装置、情感分析方法和装置、电子设备和存储介质。
根据第一方面,提供了一种情感分析模型的训练方法,该方法包括:获取样本数据,样本数据包括针对对象的第一评价文本和所述第一评价文本的标签,所述标签包括第一评价文本对对象的至少一个方面的情感极性;生成第一评价文本相对于至少一个方面中每个方面的特征向量;使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对对象的至少一个方面中每个方面的情感极性,作为评估结果;根据评估结果与第一评价文本的标签之间的差异,调整情感分析模型的参数。
根据第二方面,提供了一种情感分析方法,该方法包括:获取针对对象的第三评价文本;生成第三评价文本相对于各个方面的特征向量;使用情感分析模型基于第三评价文本相对于各个方面的特征向量之间的关系,评估第三评价文本对对象的各个方面的情感极性。
根据第三方面,提供了一种情感分析模型的训练装置,该装置包括:第一获取模块,用于获取样本数据,样本数据包括针对对象的第一评价文本和所述第一评价文本的标签,所述标签包括第一评价文本对对象的至少一个方面的情感极性;第一生成模块,用于生成第一评价文本相对于至少一个方面中每个方面的特征向量;第一评估模块,用于使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对对象的至少一个方面中每个方面的情感极性,作为评估结果;调整模块,用于根据评估结果与第一评价文本的标签之间的差异,调整情感分析模型的参数。
根据第四方面,提供了一种情感分析装置,该装置包括:第二获取模块,用于获取针对对象的第三评价文本;第二生成模块,用于生成第三评价文本相对于各个方面的特征向量;第二评估模块,用于使用情感分析模型基于第三评价文本相对于各个方面的特征向量之间的关系,评估第三评价文本对对象的各个方面的情感极性。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一个实施例的可以应用情感分析模型的训练方法和装置的示例性系统架构示意图;
图2是根据本公开的一个实施例的情感分析模型的训练方法的流程图;
图3是根据本公开的一个实施例的门循环单元GRU的网络结构示意图;
图4是根据本公开的一个实施例的生成第一评价文本相对于至少一个方面中每个方面的特征向量的方法的流程图;
图5是根据本公开的一个实施例的评估第一评价文本对对象的至少一个方面中每个方面的情感极性方法的流程图;
图6是根据本公开的一个实施例的情感分析模型的训练方法的示意图;
图7是根据本公开的一个实施例的情感分析方法的流程图;
图8是根据本公开的一个实施例的情感分析模型的训练装置的框图;
图9是根据本公开的一个实施例的情感分析装置的框图;
图10是根据本公开的一个实施例的情感分析模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在自然语言处理应用中,情感分析有着巨大的前景。比如在电商领域,通过用户在电商平台上发表的评论可以评估用户对产品和服务的满意程度。而评论中还包含了用户对产品细节的反馈信息,可以反映用户对产品具体哪些方面满意、哪些方面不满意。这些产品细节的描述不仅可以得到产品本身的特性,而且可以针对用户进行个性化推荐,提高生产效率。因此,对产品方面级别的情感分析在自然语言处理中得尤为重要。
示例性地,针对笔记本电脑产品,用户对笔记本电脑的评论不仅包括对笔记本电脑的整体满意度,还包括对对笔记本电脑的软件方面、硬件方面和操作系统方面等各个方面的描述,针对不同的方面,用户可能有不同的情感极性。情感极性例如可以包括积极、消极和中性。
在实现本公开的过程中,发明人发现可以建立评论文本和产品的各个方面之间的关联关系,使用神经网络模型基于评论文本与产品的各个方面之间的关联关系进行训练。在训练过程中,神经网络模型存储了文本与各个方面之间的关系特征,并使用激活函数对关系特征进行选择,设置分类任务输出符合所选择的特征的分类结果,不同分类结果可以对应不同的情感极性,基于评论文本本身的情感极性调整模型参数,对模型进行迭代优化,直至满足预设条件,得到经训练的神经网络模型,该经训练的神经网络模型对于新的评论文本,能够评估出该评论文本中对于产品的各个方面的情感极性。
但是,由于产品或服务包含多个方面,评论文本中也可能包含对多个方面的评价,评价针对不同方面的情感极性可能不同,因此,针对不同方面的情感极性可能互相干扰,影响神经网络模型对产品或服务的各个方面的情感评估的准确率。
图1是根据本公开一个实施例的可以应用情感分析模型的训练方法和装置的示例性系统架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等等。
终端设备101可以存储有大量的针对产品或服务的评价文本,这些评价文本可以是通过网络爬虫从电商平台、资讯通讯平台或服务网站平台等互联网平台中获取的。这些评价文本包含了用户对于产品或服务在各个方面的细节描述。例如,评价文本是针对笔记本电脑的评论,评价文本中可以包括针对笔记本电脑的软件部分、硬件部分或系统部分等方面的描述。又例如,评价文本是针对餐厅服务的评论,则评价文本中可以包括针对餐厅的环境、价位和菜品等方面的描述。
根据本公开的实施例,通过人工标注或自动化标注工具可以对每个评价文本针对至少一个方面的情感极性进行标注。例如,每个评价文本的标注信息可以包括针对笔记本电脑的软件部分的情感极性、针对笔记本电脑的硬件部分的情感极性和针对笔记本电脑的系统部分的情感极性中的至少一种。
服务器103可以获取终端设备101中的评价文本以及评价文本的标注信息来进行神经网络模型的训练,针对新的评价文本,使用经训练的神经网络模型可以分析出该新的评价文本针对对象的各个方面的情感极性。
需要说明的是,本公开实施例所提供的情感分析模型的训练方法一般可以由服务器103执行。相应地,本公开实施例所提供的情感分析模型的训练装置一般可以设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2是根据本公开的一个实施例的情感分析模型的训练方法的流程图。
如图2所示,该情感分析模型的训练方法200可以包括操作S210~操作S240。
在操作S210,获取样本数据。
根据本公开的实施例,样本数据包括针对对象的第一评价文本和第一评价文本的标签,第一评价文本的标签包括第一评价文本对对象的至少一个方面的情感极性。对象可以是产品也可以是服务,产品的各个方面可以包括外观、质量和各个组件等,服务的各个方面可以包括态度和专业度等。第一评价文本可以是用户的评论。
例如,对象可以是笔记本电脑,第一评价文本是针对笔记本电脑的评论,第一评价文本针对对象的至少一个方面的情感极性可以包括针对笔记本电脑的软件部分、硬件部分或系统部分等方面的情感极性。又例如,对象是餐厅服务,第一评价文本是针对餐厅服务的评论,第一评价文本针对对象的至少一个方面的情感极性可以包括针对餐厅的环境、价位和菜品等方面的情感极性。情感极性可以包括积极、消极和中立。
在操作S220,生成第一评价文本相对于至少一个方面中每个方面的特征向量。
根据本公开的实施例,每个特征向量表征第一评价文本与对象的某一个方面之间的关系。具体地,可以使用神经网络模型构建第一评价文本与每个方面建立联系,生成第一评价文本相对于每个方面的特征向量。神经网络模型可以是RNN(Recurrent NeuralNetwork,循环神经网络)、LSTM(Long Short Term Memory,长短期记忆网络)和GRU(GateRecurrent Unit,门循环单元)。
具体地,可以将第一评价文本中的每个词转化为第一词向量,将表征各个方面的词转化为第二词向量,针对每个方面,将第一评价文本中的各个第一词向量与该方面的第二词向量拼接成拼接向量,将拼接向量输入到神经网络(如GRU)中,神经网络对拼接向量进行编码,生成神经网络的内在向量,该内在向量包含了第一评价文本和该方面之间的关系。神经网络对表征第一评价文本和方面之间的关系的内在向量进行特征选择,生成表征第一评价文本和方面之间的关系的特征向量。该表征第一评价文本和各个方面之间的关系的特征向量即为第一评价文本相对于每个方面的特征向量。
在操作S230,使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对对象的至少一个方面中每个方面的情感极性。
根据本公开的实施例,所评估出的第一评价文本对对象的至少一个方面中每个方面的情感极性作为情感分析模型对第一评价文本的评估结果。各个方面的特征向量表征第一评价文本对各个方面的情感特征,各个方面的特征向量之间的关系可以表征第一评价文本针对各个方面的情感特征之间的关系。情感分析模型基于第一评价文本针对各个方面的情感特征之间的关系来评估第一评价文本针对各个方面的情感极性能够减少第一评价文本针对各个方面的情感特征之间的相互干扰,提高情感分析模型评估情感极性的准确率。
具体地,情感分析模型可以包括多个网络层,每个网络层可以是RNN、LSTM和GRU中的至少之一或任意组合。具体地,情感分析模型可以包括第一网络层、第二网络层和第三网络层。
根据本公开的实施例,针对每个方面,使用情感分析模型来评估第一评价文本针对该方面的情感极性。具体地,使用第一网络层对每个方面的特征向量进行编码,得到可以表征各个方面的特征向量之间的关系的第一矩阵,该第一矩阵可以表征第一评价文本针对各个方面的情感之间的关系。针对每个方面,基于该方面的特征向量与第一关系矩阵可以生成该方面的特征向量与其他方面的特征向量之间关系的第二矩阵,该第二矩阵表征第一评价文本针对该方面的情感和针对其他方面的情感之间的关系。
根据本公开的实施例,针对每个方面,基于表征第一评价文本针对各个方面的情感之间的关系的第一关系矩阵以及表征第一评价文本针对该方面的情感和针对其他方面的情感之间的关系的第二关系矩阵,可以生成表征第一评价文本针对该方面的和针对其他方面的情感之间的关系的目标关系向量。
根据本公开的实施例,针对每个方面,该方面的特征向量表征第一评价文本针对该方面的情感特征,该方面的关系向量表征第一评价文本针对该方面的和针对其他方面的情感之间的关系,则可以基于该方面的特征向量以及该方面的关系向量来评估第一评价文本针对该方面的情感极性。
在操作S240,根据评估结果与第一评价文本的标签之间的差异,调整情感分析模型的参数。
根据本公开的实施例,可以使用预设损失函数基于第一评价文本对每个方面的情感极性与样本数据中第一评价文本对该方面的情感极性来计算情感分析模型的损失,使用预设优化器计算使损失达到最优时的情感分析模型的参数,将情感分析模型的参数调整为使损失达到最优时的参数,针对下一个第一评价文本,返回执行特征向量的生成和情感极性的评估的步骤,直至情感分析模型的损失达到预设条件,例如收敛或达到最小值等。
具体地,预设损失函数可以是交叉熵函数,优化器可以是梯度下降法。梯度下降算法是在参数的更新过程中,先随机选一个方向,然后每次更新都选择损失函数导数最大的方向,直到这个方向上能达到的最低点。对于每次迭代都计算一次损失函数,求梯度,并更新参数。具体还可以选择随机梯度下降算法,随机梯度下降算法是以震荡的方式趋向极小点,这样就加快了迭代速度。
根据本公开的实施例,获取针对对象的第一评价文本以及第一评价文本对对象的至少一个方面的情感极性,生成第一评价文本相对于至少一个方面中每个方面的特征向量,使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对对象的至少一个方面中每个方面的情感极性,根据所评估的第一评价文本对每个方面的情感极性与样本数据中第一评价文本对该方面的情感极性之间的差异,调整情感分析模型的参数。各个方面的特征向量表征了第一评价文本针对各个方面的情感特征,各个方面的特征向量之间的关系表征了第一评价文本针对各个方面的情感特征之间的关系,情感分析模型基于第一评价文本针对各个方面的情感特征之间的关系来评估第一评价文本针对各个方面的情感极性能够减少第一评价文本针对各个方面的情感特征之间的相互干扰,提高情感分析模型评估情感极性的准确率。
如上所述,可以使用神经网络模型构建第一评价文本与每个方面建立联系,生成第一评价文本相对于每个方面的特征向量。神经网络模型可以是RNN、LSTM或GRU。LSTM和GRU是RNN的改进,GRU是一种LSTM的简单变形,GRU的效果几乎和LSTM相同,并且参数更少,因此训练效率更高。
根据本公开的实施例,使用神经网络模型构建第一评价文本与每个方面建立联系可以首先针对每个方面,将第一评价文本与该方面进行拼接,得到第一评价文本针对该方面的拼接向量,使用GRU对拼接向量进行编码,得到表征第一评价文本与该方面之间关系的特征向量。
下面用x表示第一评价文本和某方面的拼接向量,以x为GRU的输入来对门循环单元GRU进行介绍。
图3是根据本公开的一个实施例的门循环单元GRU的网络结构示意图。
如图3所示,门循环单元310、门循环单元320和门循环单元330为同一GRU网络在不同时刻的输入输出示意图。门循环单元GRU的网络内部结构参见门循环单元320。xt为当前时刻(t时刻)网络的输入,xt-1为上一时刻(t-1时刻)网络的输入,ht-1是上一时刻GRU的隐层输出值,xt+1为下一时刻(t+1时刻)网络的输入。GRU的网络结构包括重置门和更新门,如图3所示,rt表示重置门,zt表示更新门。GRU的工作原理可以用如下公式一至公式四表示。
zt=σ(xtUz+ht-1Wz) 公式一
rt=σ(xtUr+ht-1Wr) 公式二
其中,σ是激活函数sigmod,tanh函数也是一种激活函数。U、W为GRU的参数,使用GRU对x编码,是将第一评价文本和方面的信息保存在了这些参数中。具体编码过程是x经过重置门rt和更新门zt进行特征选择之后,得到当前时刻网络的中间输出状态(隐藏层状态),可以将中间输出状态与x一起作为下一时刻的输入,经重置门zt和更新门zt再次进行特征选择,得到的输出包含了x的历史状态信息。
具体地,当前时刻的xt和上一时刻GRU的隐层输出值ht-1作为当前时刻的输入,xt和ht-1经重置门zt后得到重置的数据,重置门用于决定丢弃先前信息的程度,重置后的数据(ht-1*r)会与xtUh拼接起来,由tanh函数放缩到[-1,1]的范围,得到当前时刻的状态信息。更新门zt作用是对当前状态信息做出取舍,舍弃一些当前状态中不重要的信息。zt作用是舍弃,也称为遗忘,那么1-zt就表示记忆。而(1-zt)*ht就表示对ht进行取舍。(1-zt)过滤掉了ht中的一些信息,其含义就是对ht隐藏层中的信息进行选择性的记忆。
因此,使用GRU对x编码,可以将第一评价文本和方面的信息保存在自身的网络参数中。
图4是根据本公开的一个实施例的生成第一评价文本相对于至少一个方面中每个方面的特征向量的方法的流程图。
如图4所示,该方法可以包括操作S421~操作S423。
在操作S421,根据第一评价文本中的每个词生成第一词向量。
在操作S422,根据表示对象的每个方面的词生成第二词向量。
在操作S423,针对每个方面,将每个第一词向量与针对该方面的第二词向量拼接成拼接向量,并根据拼接向量中各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量。
根据本公开的实施例,第一评价文本中包括多个词,可以将文本中的每个词转化为第一词向量,例如,在第一评价文本S中,包括L个词,第一评价文本中每个第一词向量表示为w1、w2......wL。将表示对象的每个方面的词生成第二词向量,例如,对象包括M个方面,每个方面的第二词向量表示为a1、a2、......aM。
针对每个方面,将每个第一词向量与针对该方面的第二词向量拼接成拼接向量,例如,针对第i个方面,第i个方面的第二词向量表示为ai,将句子S中每个第一词向量与第i个方面的第二词向量拼接成拼接向量,拼接向量可以用如下公式五表示。
其中,拼接向量Sai表示将第一评价文本的各个第一词向量与表征第i个方面的第二词向量相连接。
根据本公开的实施例,将每个方面的拼接向量Sa1、Sa2、......SaM输入到GRU网络中,GRU网络对每个拼接向量进行编码,得到的每个方面的特征向量(编码后的拼接向量)表征了第一评价文本与每个方面之间的关系。GRU网络输出的第i个方面的特征向量(编码后的拼接向量)可以表示为Rai,则GRU网络输出的各个个方面的特征向量(编码后的拼接向量)可以表示为R=Ra1、Ra2......RaM。
具体地,GRU网络对每个输入的拼接向量进行编码,所有输入向量被编码器压缩成了固定的长度,输出特征向量的维度较大,并且输入向量对输出向量的各个部分影响是相同的。因此,可以利用注意力机制使GRU网络有选择性的生成和输出,使得特征向量简化。
根据本公开的实施例,注意力机制也可以由神经网络实现,该神经网络可以称为注意力网络。注意力网络可以针对GRU网络输出的特征向量中的每个第一词向量分配权重,以加权的方式对不同位置的第一词向量进行取舍,以生成简化的特征向量。注意力网络可以包括一个GRU子网络,将分配好权重的特征向量输入到GRU子网络中,通过不断调整注意力权重,最终的输出是特征向量的隐藏状态及特征向量中各个第一词向量的加权和。注意力网络层的的工作原理可以用如下公式六至公式八表示。
z=RaiWs+bs 公式六
α=softmax(z) 公式七
rai=αTRai 公式八
其中,Ws和bs为注意力网络的参数,α是通过GRU子网络将特征向量转化为了权重向量,基于各个方面的权重向量α和第i个方面的特征向量Rai可以得到简化后的第i个方面的特征向量rai。
根据本公开的实施例,GRU网络对各个方面的拼接向量进行编码,输出的特征向量输入到注意力网络中,经注意力网络进行加权处理后输出的各个方面的特征向量可以表示为r=[ra1,ra2,......,raM]。
图5是根据本公开的一个实施例的评估第一评价文本对对象的至少一个方面中每个方面的情感极性方法的流程图。
如上所述,情感分析模型可以包括多个网络层,每个网络层可以是RNN、LSTM和GRU中的至少之一或任意组合。本公开实施例的情感分析模型可以包括第一网络层、第二网络层和第三网络层。
如图5所示,该方法可以包括操作S531~操作S533。
在操作S531,使用第一网络层生成表征各个特征向量之间的关系的第一关系矩阵。
根据本公开的实施例,第一网络层可以是GRU网络,使用GRU网络基于各个方面的特征向量(即简化后的特征向量)生成表征各个特征向量之间的关系的第一关系矩阵。
具体地,简化后的特征向量表示为r=[ra1,ra2,......,raM],将r输入到第一网络层,第一网络层对r进行编码,得到第一关系矩阵,第一关系矩阵的计算公式可以用如下公式九表示。
Q=GRU(r) 公式九
第一关系矩阵Q包含了各个特征向量(简化后的特征向量)之间的关系,即表征第一评价文本针对各个方面的情感特征之间的关系。
在操作S532,针对每个方面,使用第二网络层基于第一关系矩阵和针对该方面的特征向量生成第二关系矩阵,并根据第一关系矩阵、第二关系矩阵和针对该方面的特征向量,生成针对该方面的目标向量。
根据本公开的实施例,针对每个方面,可以基于第一关系矩阵Q和该方面的特征向量,可以生成表征该方面的特征向量与其他方面的特征向量之间关系的第二矩阵。
具体地,第二网络层可以包括第一网络子层和第二网络子层,第一网络子层可以针对每个方面的特征向量rai进行编码,将rai转化为目标特征向量q,q的计算公式可以用如下公式十表示。
q=tanh(raiWT+bT) 公式十
其中,WT和bT为第一网络子层的参数,该第一网络子层可以是GRU网络,q可以是GRU网络的隐藏层输出的向量。
根据本公开的实施例,第二网络子层可以基于第一关系矩阵Q和目标特征向量q,生成第二关系矩阵,该第二关系矩阵表征第一评价文本针对目标方面的情感和针对其他方面的情感特征之间的关系。第二关系矩阵的计算公式可以用如下公式十一和公式十二表示。
z′=qQT 公式十一
β=softmax(z′) 公式十二
具体地,第一关系矩阵Q和目标特征向量q的乘积可以表征目标特征向量与其他特征向量之间的关系,但是该乘积得到的矩阵的维度较大,因此,第二网络子层可以包括一个注意力网络,使用注意力网络对乘积得到的矩阵进行简化,得到第二关系矩阵β。
具体地,注意力网络为第一关系矩阵Q中每个特征向量分配权重,或者为第一关系矩阵Q和目标特征向量q乘积之后的矩阵中的各个特征向量分配权重,以加权的方式对不同特征向量进行取舍,以得到第二关系矩阵β。
根据本公开的实施例,第二网络子层根据第一关系矩阵Q和第二关系矩阵β可以生成目标关系向量,目标关系向量表征第一评价文本针对目标方面的和针对其他方面的情感特征之间的关系。目标关系向量的计算公式可以用如下公式十三和公式十四表示。
Q′=GRUm(Q) 公式十三
o=βQ′ 公式十四
其中,公式十三表示使用一个GRU网络对第一关系矩阵进行编码,得到编码后的第一关系矩阵Q′,第一关系矩阵Q表征了第一评价文本针对各个方面的情感特征之间的关系,编码后的第一关系矩阵Q′进一步提取了第一评价文本针对各个方面的情感特征之间的关系特征,即编码后的第一关系矩阵Q′也表征了第一评价文本针对各个方面的情感特征之间的关系。
具体地,第二关系矩阵β表征了第一评价文本针对目标方面的情感特征和针对其他方面的情感特征之间的关系,编码后的第一关系矩阵Q′表征了第一评价文本针对各个方面的情感特征之间的关系,第二关系矩阵β和第一关系矩阵Q′的乘积得到目标关系向量o,目标关系向量o能够表征第一评价文本针对目标方面的和针对其他方面的情感特征之间的关系。
根据本公开的实施例,目标特征向量q表征第一评价文本针对该方面的情感特征,目标关系向量o表征第一评价文本针对该方面的和针对其他方面的情感特征之间的关系,因此,可以将目标特征向量q和目标关系向量o相加,作为目标向量。
在操作S533,使用第三网络层对每个目标向量进行分类,分类结果表示第一评价文本对于该目标向量所对应的方面的情感极性为积极、消极和中立中的一者。
根据本公开的实施例,第三网络子层可以是用于分类的网络层,目标向量是目标特征向量q和目标关系向量o相加得到的向量。第三网络子层对目标向量进行分类的计算公式可以用如下公式十五表示和公式十六表示。
P=softmax((q+o)Wsmax+bsmax) 公式十五
y=argmax(P[i]) 公式十六
根据本公开的实施例,P是第三网络子层输出的情感极性是积极、消极或中立的概率,y是第i方面最终的分类结果,y的值可以是0、1或2,y=0可以表示消极,y=1可以表示积极,y=2可以表示中立。。
根据本公开的实施例,第一评价文本是多个,调整情感分析模型的参数包括:针对每个第一评价文本,执行特征向量的生成和情感极性的评估,在所评估的情感极性与样本数据中的情感极性之间的差异不符合预设条件的情况下,调整情感分析模型的参数并返回执行特征向量的生成的步骤,直至差异符合预设条件。
具体地,所评估的情感极性与样本数据中的情感极性之间的差异可以基于预设损失函数计算,预设损失函数可以是交叉熵函数,损失函数可以用如下公式十七表示。
其中,N表示样本的数量,k表示类别,C是类别数,yj是分类的结果,P[K]是分类的概率,λ是正则化权重,θ是参数。θ包括情感分析网络的各个网络层和网络子层的参数。
根据本公开的实施例,可以使用随机梯度下降算法,通过不断的迭代对情感分析网络的参数进行更新。
图6是根据本公开的一个实施例的情感分析模型的训练方法的示意图。
如图6所示,该示意图中右半部分为用于生成第一评价文本相对于至少一个方面中每个方面的特征向量的网络模型的结构,该网络模型可以称为特征处理模型610,左半部分为情感分析模型620的结构。
根据本公开的实施例,特征处理模型610包括GRU网络层611和第一注意力网络层612,第一评价文本S和表征对象的各个方面的词ai输入到特征处理模型610中,第一特征处理模型610将第一评价文本中的各个词转化为第一词向量w1、w2......wL,将表征各个方面的词转化为第二词向量a1、a2、......aM。针对第i个方面,将第一词向量w1、w2......wL与第二词向量ai拼接成拼接向量,需要说明的是ai是第i方面的一个第二词向量,并非每个第二词向量。将拼接向量输入到第一GRU网络层611中,生成并输出表征第一评价文本和第i方面之间的关系的特征向量Rai。以此类推,第一GRU网络层611能够输出表征第一评价文本和每个方面之间的关系的特征向量序列R=Ra1、Ra2......RaM。
根据本公开的实施例,第一GRU网络层611输出的Rai输入到特征处理模型610的第一注意力网络层612,第一注意力网络层612以加权的方式对Rai中每个特征向量的特征进行取舍,得到简化的特征向量rai。以此类推,第一注意力网络层612能够输出简化的特征向量序列r=[ra1,ra2,......,raM]。
根据本公开的实施例,针对每个方面,特征向量序列r作为情感分析模型602的输入,情感分析模型602基于特征向量序列r来评估第一评价文本对每个方面的情感极性。
根据本公开的实施例,情感分析模型602包括第二GRU网络层621、第三GRU网络层622、注意力网络层623、第四GRU网络层624和分类网络层625。
根据本公开的实施例,各个方面的特征向量序列r输入到情感分析模型602的第二GRU网络层621中,第二GRU网络层621对特征向量序列r进行编码,第二GRU网络层621输出第一关系矩阵Q。第一关系矩阵Q表征第一评价文本S针对各个方面的特征向量之间的关系,即可以表征第一评价文本S针对各个方面的情感特征之间的关系。
根据本公开的实施例,将各个方面中一个方面作为目标方面,如将第i个方面作为目标方面,目标方面的特征向量rai输入到第三GRU网络层622中,第三GRU网络层622输出目标特征向量q,目标特征向量q是表征第一评价文本S针对目标方面的情感特征。
根据本公开的实施例,第一关系矩阵Q和目标特征向量q输入到注意力网络层623中,注意力网络层623输出第二关系矩阵β,第二关系矩阵β表征第一评价文本S针对目标方面的情感特征和针对其他方面的情感特征之间的关系。
根据本公开的实施例,第一关系矩阵Q输入到第四GRU网络层624中,第四GRU网络层624输出编码后的第一关系矩阵Q′,第一关系矩阵Q表征了第一评价文本针对各个方面的情感特征之间的关系,编码后的第一关系矩阵Q′进一步提取了第一评价文本针对各个方面的情感特征之间的关系特征,即编码后的第一关系矩阵Q′也表征了第一评价文本针对各个方面的情感特征之间的关系。
根据本公开的实施例,编码后的第一关系矩阵Q′和第二关系矩阵β相乘得到目标关系向量o,目标关系向量o能够表征第一评价文本S针对目标方面的情感特征和针对其他方面的情感特征之间的关系。
根据本公开的实施例,目标特征向量q与目标关系向量o相加作为目标向量,目标向量输入到分类网络层625,分类网络层625输出第一评价文本S针对目标方面的情感极性y,y表示第一评价文本S对于第i方面的情感极性为积极、消极和中立中的一者。
根据本公开的实施例,在评估出第一评价文本S针对第i方面的情感极性之后,针对第(i+1)个方面作为目标方面,执行上述特征向量的生成和情感极性的评估。可以理解,针对每一个方面所执行的特征向量的生成和情感极性的评估都是一次迭代过程,每次迭代都更新目标向量,并计算损失,更新情感分析模型的参数。
根据本公开的实施例,在评估出第一评价文本S针对各个方面的情感极性之后,针对下一个第一评价文本,执行该下一个第一评价文本针对各个方面的特征向量的生成和情感极性的评估。直至经训练的情感分析模型所评估的情感极性与样本数据中的情感极性之间的差异符合预设条件,停止训练。差异符合预设条件可以是情感分析模型的损失最小。
根据本公开的实施例,可以获取测试数据,测试数据包括针对对象的第二评价文本以及第二评价文本对对象的至少一个方面的情感极性,使用测试数据验证经训练的情感分析模型的评估准确率。需要说明的是,测试数据中的第二评价文本可以是从样本数据中选取得到的,即第二评价文本与样本数据中的部分第一评价文本相同。此外,第二评价文本也可以是获取的新的经标注的样本。第二评价文本可以有多个。
具体地,针对第二评价文本,生成第二评价文本相对于至少一个方面中每个方面的特征向量,使用经训练的情感分析模型基于所生成的特征向量之间的关系,评估第二评价文本对对象的至少一个方面中每个方面的情感极性,根据所评估的第二评价文本对每个方面的情感极性与样本数据中第二评价文本对该方面的情感极性之间的差异,计算情感分析模型的评估准确率。
图7是根据本公开的一个实施例的情感分析方法的流程图。
如图7所示,该情感分析方法700可以包括操作S710~操作S730。
在操作S710,获取针对对象的第三评价文本。
在操作S720,生成第三评价文本相对于各个方面的特征向量;
在操作S730,使用情感分析模型基于第三评价文本相对于各个方面的特征向量,评估第三评价文本对对象的各个方面的情感极性。
根据本公开的实施例,第三评价文本可以是用户针对对象的新的评论,生成第三文本相对于该对象的各个方面的特征向量,使用经训练的情感分析模型基于各个特征向量之间的关系,可以评估出第三评价文本对对象的各个方面的情感极性是积极、消极或中立中的之一。
可以立即,用户针对对象在各个方面的情感极性可以反映产品用户对产品具体哪些方面满意、哪些方面不满意,从而可以得到产品本身的特性,而且可以针对用户进行个性化推荐,提高生产效率。
图8是根据本公开的一个实施例的情感分析模型的训练装置的框图。
如图8所示,该情感分析模型的训练装置800包括第一获取模块801、第一生成模块802、第一评估模块803和调整模块804。
第一获取模块801用于获取样本数据,样本数据包括针对对象的第一评价文本和第一评价文本的标签,所述标签包括第一评价文本对对象的至少一个方面的情感极性。
第一生成模块802用于生成第一评价文本相对于至少一个方面中每个方面的特征向量。
第一评估模块803用于使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对对象的至少一个方面中每个方面的情感极性,作为评估结果。
调整模块804用于根据评估结果与第一评价文本的标签之间的差异,调整情感分析模型的参数。
根据本公开的实施例,第一生成模块802包括第一生成单元、第二生成单元和第三生成单元。
第一生成单元用于根据第一评价文本中的每个词生成第一词向量。
第二生成单元用于根据表示对象的每个方面的词生成第二词向量。
第三生成单元用于针对每个方面,将每个第一词向量与针对该方面的第二词向量拼接成拼接向量,并根据拼接向量中各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量。
根据本公开的实施例,第三生成单元具体用于对拼接向量进行编码;为编码后的拼接向量中的各个第一词向量分配权重;基于编码后的各个拼接向量以及各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量。
根据本公开的实施例,情感分析模型包括第一网络层、第二网络层和第三网络层。第一评估模块803包括第四生成单元、第五生成单元和分类单元。
根据本公开的实施例,第四生成单元用于使用第一网络层生成表征各个特征向量之间的关系的第一关系矩阵。
第五生成单元用于针对每个方面,使用第二网络层基于第一关系矩阵和针对该方面的特征向量生成第二关系矩阵,并根据第一关系矩阵、第二关系矩阵和针对该方面的特征向量,生成针对该方面的目标向量。
分类单元用于使用第三网络层对每个目标向量进行分类,分类结果表示第一评价文本对于该目标向量所对应的方面的情感极性为积极、消极和中立中的一者。
根据本公开的实施例,第四生成单元具体用于对各个特征向量进行编码,生成编码后的特征向量;基于编码后的各个特征向量,生成第一关系矩阵。
根据本公开的实施例,第二网络层包括第一子网络层和第二子网络层。第五生成单元具体用于使用第一子网络层对针对该方面的特征向量进行编码,得到目标特征向量;计算目标特征向量与第一关系矩阵之间的乘积;为第一关系矩阵中的各个特征向量分配权重;使用第二子网络层基于乘积和第一关系矩阵中的各个特征向量的权重,生成第二关系矩阵。
根据本公开的实施例,第二网络层还包括第三子网络层。第五生成单元具体还用于使用第三子网络层对第一关系矩阵进行编码,得到编码后的第一关系矩阵;计算编码后的第一关系矩阵和第二关系矩阵的乘积,得到目标关系向量;将目标特征向量和目标关系向量相加,得到目标向量。
根据本公开的实施例,第一评价文本是多个,针对每个第一评价文本,第一生成模块802用于执行特征向量的所述生成,第一评估模块803用于执行情感极性的所述评估,调整模型804用于在第一评估模块803的评估结果与第一评价文本的标签之间的差异不符合预设条件的情况下,调整情感分析模型的参数并返回第一生成模块802,直至所述差异符合预设条件。
根据本公开的实施例,该情感分析模型的训练装置800还包括第二获取模块、第二生成模块、第二评估模块和计算模块。
第二获取模块用于获取测试数据,测试数据包括针对对象的第二评价文本以及第二评价文本对对象的至少一个方面的情感极性。
第二生成模块用于生成第二评价文本相对于各个方面的特征向量。
第二评估模块用于使用情感分析模型基于第二评价文本相对于各个方面的特征向量之间的关系,评估第二评价文本对对象的各个方面的情感极性。
计算模块用于根据所评估的第二评价文本对每个方面的情感极性与测试数据中第二评价文本对该方面的情感极性之间的差异,计算情感分析模型的评估准确率。
图9是根据本公开的一个实施例的情感分析装置的框图。
如图9所示,该情感分析900可以包括第三获取模块901、第三生成模块902和第三评估模块903。
第三获取模块901用于获取针对对象的第三评价文本。
第三生成模块902用于生成第三评价文本相对于各个方面的特征向量。
第三评估模块903用于使用情感分析模型基于第三评价文本相对于各个方面的特征向量之间的关系,评估第三评价文本对对象的各个方面的情感极性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备900中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如情感分析模型的训练方法。例如,在一些实施例中,情感分析模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的情感分析模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行情感分析模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种情感分析模型的训练方法,包括:
获取样本数据,所述样本数据包括针对对象的第一评价文本和所述第一评价文本的标签,所述标签包括第一评价文本对所述对象的至少一个方面的情感极性;
生成第一评价文本相对于所述至少一个方面中每个方面的特征向量;
使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对所述对象的所述至少一个方面中每个方面的情感极性,作为评估结果;
根据所述评估结果与所述第一评价文本的标签之间的差异,调整情感分析模型的参数;
其中,所述生成第一评价文本相对于所述至少一个方面中每个方面的特征向量包括:
根据所述第一评价文本中的每个词生成第一词向量;
根据表示所述对象的每个方面的词生成第二词向量;
针对每个方面,将每个第一词向量与针对该方面的第二词向量拼接成拼接向量,并根据拼接向量中各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量;
其中,所述情感分析模型包括第一网络层、第二网络层和第三网络层,所述评估第一评价文本对所述对象的所述至少一个方面中每个方面的情感极性包括:
使用第一网络层生成表征各个特征向量之间的关系的第一关系矩阵;
针对每个方面,使用第二网络层基于第一关系矩阵和针对该方面的特征向量生成第二关系矩阵,并根据第一关系矩阵、第二关系矩阵和针对该方面的特征向量,生成针对该方面的目标向量;
使用第三网络层对每个目标向量进行分类,分类结果表示第一评价文本对于该目标向量所对应的方面的情感极性为积极、消极和中立中的一者;
其中,所述第二网络层包括第一子网络层和第二子网络层,所述使用第二网络层基于第一关系矩阵和针对该方面的特征向量生成第二关系矩阵包括:
使用第一子网络层对针对该方面的特征向量进行编码,得到目标特征向量;
计算目标特征向量与第一关系矩阵之间的乘积;
为第一关系矩阵中的各个特征向量分配权重;
使用第二子网络层基于所述乘积和第一关系矩阵中的各个特征向量的权重,生成所述第二关系矩阵;
其中,所述第二网络层还包括第三子网络层,所述根据第一关系矩阵、第二关系矩阵和针对该方面的特征向量,生成针对该方面的目标向量包括:
使用第三子网络层对第一关系矩阵进行编码,得到编码后的第一关系矩阵;
计算编码后的第一关系矩阵和第二关系矩阵的乘积,得到目标关系向量;
将目标特征向量和目标关系向量相加,得到所述目标向量。
2.根据权利要求1所述的方法,其中,所述根据拼接向量中各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量包括:
对拼接向量进行编码;
为编码后的拼接向量中的各个第一词向量分配权重;
基于编码后的各个拼接向量以及各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量。
3.根据权利要求1所述的方法,其中,所述使用第一网络层生成表征各个特征向量之间的关系的第一关系矩阵包括:
对各个特征向量进行编码,生成编码后的特征向量;
基于编码后的各个特征向量,生成所述第一关系矩阵。
4.根据权利要求1所述的方法,其中,所述第一评价文本是多个,所述调整情感分析模型的参数包括:针对每个第一评价文本,
执行特征向量的所述生成和情感极性的所述评估,在所评估的情感极性与样本数据中的情感极性之间的差异不符合预设条件的情况下,调整情感分析模型的参数并返回执行特征向量的所述生成的步骤,直至所述差异符合预设条件。
5.根据权利要求4所述的方法,在所述差异符合预设条件之后,还包括:
获取测试数据,所述测试数据包括针对对象的第二评价文本以及第二评价文本对所述对象的至少一个方面的情感极性;
生成第二评价文本相对于各个方面的特征向量;
使用情感分析模型基于第二评价文本相对于各个方面的特征向量之间的关系,评估第二评价文本对所述对象的各个方面的情感极性;
根据所评估的第二评价文本对每个方面的情感极性与测试数据中第二评价文本对该方面的情感极性之间的差异,计算所述情感分析模型的评估准确率。
6.一种情感分析方法,包括:
获取针对对象的第三评价文本;
生成第三评价文本相对于各个方面的特征向量;
使用情感分析模型基于第三评价文本相对于各个方面的特征向量之间的关系,评估第三评价文本对所述对象的各个方面的情感极性;
其中,所述情感分析模型是利用根据权利要求1~5中任一项所述的方法训练的。
7.一种情感分析模型的训练装置,包括:
第一获取模块,用于获取样本数据,所述样本数据包括针对对象的第一评价文本和所述第一评价文本的标签,所述标签包括第一评价文本对所述对象的至少一个方面的情感极性;
第一生成模块,用于生成第一评价文本相对于所述至少一个方面中每个方面的特征向量;
第一评估模块,用于使用情感分析模型基于所生成的特征向量之间的关系,评估第一评价文本对所述对象的所述至少一个方面中每个方面的情感极性,作为评估结果;
调整模块,用于根据所述评估结果与所述第一评价文本的标签之间的差异,调整情感分析模型的参数;
其中,第一生成模块包括:
第一生成单元,用于根据所述第一评价文本中的每个词生成第一词向量;
第二生成单元,用于根据表示所述对象的每个方面的词生成第二词向量;
第三生成单元,用于针对每个方面,将每个第一词向量与针对该方面的第二词向量拼接成拼接向量,并根据拼接向量中各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量;
其中,所述情感分析模型包括第一网络层、第二网络层和第三网络层,所述第一评估模块包括:
第四生成单元,用于使用第一网络层生成表征各个特征向量之间的关系的第一关系矩阵;
第五生成单元,用于针对每个方面,使用第二网络层基于第一关系矩阵和针对该方面的特征向量生成第二关系矩阵,并根据第一关系矩阵、第二关系矩阵和针对该方面的特征向量,生成针对该方面的目标向量;
分类单元,用于使用第三网络层对每个目标向量进行分类,分类结果表示第一评价文本对于该目标向量所对应的方面的情感极性为积极、消极和中立中的一者;
其中,所述第二网络层包括第一子网络层和第二子网络层,所述第五生成单元包括:
第三编码子单元,用于使用第一子网络层对针对该方面的特征向量进行编码,得到目标特征向量;
第一计算子单元,用于计算目标特征向量与第一关系矩阵之间的乘积;
第二分配子单元,用于为第一关系矩阵中的各个特征向量分配权重;
第三生成子单元,用于使用第二子网络层基于所述乘积和第一关系矩阵中的各个特征向量的权重,生成所述第二关系矩阵;
其中,所述第二网络层还包括第三子网络层,所述第五生成单元还包括:
第四编码子单元,用于使用第三子网络层对第一关系矩阵进行编码,得到编码后的第一关系矩阵;
第二计算子单元,用于计算编码后的第一关系矩阵和第二关系矩阵的乘积,得到目标关系向量;
第三计算子单元,用于将目标特征向量和目标关系向量相加,得到所述目标向量。
8.根据权利要求7所述的装置,其中,所述第三生成单元包括:
第一编码子单元,用于对拼接向量进行编码;
第一分配子单元,用于为编码后的拼接向量中的各个第一词向量分配权重;
第一生成子单元,用于基于编码后的各个拼接向量以及各个第一词向量的权重,生成第一评价文本相对于该方面的特征向量。
9.根据权利要求7所述的装置,其中,所述第四生成单元包括:
第二编码子单元,用于对各个特征向量进行编码,生成编码后的特征向量;
第二生成子单元,用于基于编码后的各个特征向量,生成所述第一关系矩阵。
10.根据权利要求7所述的装置,其中,所述第一评价文本是多个,针对每个第一评价文本,所述第一生成模块用于执行特征向量的所述生成,所述第一评估模块用于执行情感极性的所述评估,所述调整模块用于在第一评估模块的评估结果与第一评价文本的标签之间的差异不符合预设条件的情况下,调整情感分析模型的参数并返回第一生成模块,直至所述差异符合预设条件。
11.根据权利要求10所述的装置,其中,还包括:
第二获取模块,用于在所述差异符合预设条件之后,获取测试数据,所述测试数据包括针对对象的第二评价文本以及第二评价文本对所述对象的至少一个方面的情感极性;
第二生成模块,用于生成第二评价文本相对于各个方面的特征向量;
第二评估模块,用于使用情感分析模型基于第二评价文本相对于各个方面的特征向量之间的关系,评估第二评价文本对所述对象的各个方面的情感极性;
计算模块,用于根据所评估的第二评价文本对每个方面的情感极性与测试数据中第二评价文本对该方面的情感极性之间的差异,计算所述情感分析模型的评估准确率。
12.一种情感分析装置,包括:
第三获取模块,用于获取针对对象的第三评价文本;
第三生成模块,用于生成第三评价文本相对于各个方面的特征向量;
第三评估模块,用于使用情感分析模型基于第三评价文本相对于各个方面的特征向量之间的关系,评估第三评价文本对所述对象的各个方面的情感极性;
其中,所述情感分析模型是利用根据权利要求1~5中任一项所述的方法训练的。
13. 一种电子设备,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权利要求1至6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110186764.4A CN112860894B (zh) | 2021-02-10 | 2021-02-10 | 情感分析模型的训练方法、情感分析方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110186764.4A CN112860894B (zh) | 2021-02-10 | 2021-02-10 | 情感分析模型的训练方法、情感分析方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112860894A CN112860894A (zh) | 2021-05-28 |
CN112860894B true CN112860894B (zh) | 2023-06-27 |
Family
ID=75988244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110186764.4A Active CN112860894B (zh) | 2021-02-10 | 2021-02-10 | 情感分析模型的训练方法、情感分析方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860894B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017051425A1 (en) * | 2015-09-23 | 2017-03-30 | Devanathan Giridhari | A computer-implemented method and system for analyzing and evaluating user reviews |
WO2019153737A1 (zh) * | 2018-02-12 | 2019-08-15 | 百度在线网络技术(北京)有限公司 | 用于对评论进行评估的方法、装置、设备和存储介质 |
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 |
CN111274398A (zh) * | 2020-01-20 | 2020-06-12 | 福州大学 | 一种方面级用户产品评论情感分析方法及系统 |
CN111666761A (zh) * | 2020-05-13 | 2020-09-15 | 北京大学 | 细粒度情感分析模型训练方法及装置 |
CN111737978A (zh) * | 2020-07-02 | 2020-10-02 | 武汉卓尔数字传媒科技有限公司 | 一种购物评价情感分析的方法、装置及电子设备 |
CN111858945A (zh) * | 2020-08-05 | 2020-10-30 | 上海哈蜂信息科技有限公司 | 基于深度学习的评论文本方面级情感分类方法及系统 |
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 |
CN112329474A (zh) * | 2020-11-02 | 2021-02-05 | 山东师范大学 | 融合注意力的方面级用户评论文本情感分析方法及系统 |
-
2021
- 2021-02-10 CN CN202110186764.4A patent/CN112860894B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017051425A1 (en) * | 2015-09-23 | 2017-03-30 | Devanathan Giridhari | A computer-implemented method and system for analyzing and evaluating user reviews |
WO2019153737A1 (zh) * | 2018-02-12 | 2019-08-15 | 百度在线网络技术(北京)有限公司 | 用于对评论进行评估的方法、装置、设备和存储介质 |
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 |
CN111274398A (zh) * | 2020-01-20 | 2020-06-12 | 福州大学 | 一种方面级用户产品评论情感分析方法及系统 |
CN111666761A (zh) * | 2020-05-13 | 2020-09-15 | 北京大学 | 细粒度情感分析模型训练方法及装置 |
CN111737978A (zh) * | 2020-07-02 | 2020-10-02 | 武汉卓尔数字传媒科技有限公司 | 一种购物评价情感分析的方法、装置及电子设备 |
CN111858945A (zh) * | 2020-08-05 | 2020-10-30 | 上海哈蜂信息科技有限公司 | 基于深度学习的评论文本方面级情感分类方法及系统 |
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 |
CN112329474A (zh) * | 2020-11-02 | 2021-02-05 | 山东师范大学 | 融合注意力的方面级用户评论文本情感分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
Survey on Aspect-Level Sentiment Analysis;Kim Schouten 等;IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING;第28卷(第3期);全文 * |
面向评论的方面级情感分析综述;张严 等;计算机科学;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112860894A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929869B (zh) | 序列数据处理方法、装置、设备及存储介质 | |
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
US20210125101A1 (en) | Machine learning device and method | |
CN112541124B (zh) | 生成多任务模型的方法、装置、设备、介质及程序产品 | |
CN110852426A (zh) | 基于知识蒸馏的预训练模型集成加速方法及装置 | |
CN106897254B (zh) | 一种网络表示学习方法 | |
CN111667056B (zh) | 用于搜索模型结构的方法和装置 | |
CN111461301B (zh) | 序列化数据处理方法和装置、文本处理方法和装置 | |
CN109189921B (zh) | 评论评估模型的训练方法和装置 | |
CN110781686B (zh) | 一种语句相似度计算方法、装置及计算机设备 | |
CN112148975A (zh) | 会话推荐方法、装置及设备 | |
CN110858226A (zh) | 对话管理方法和装置 | |
CN111339308B (zh) | 基础分类模型的训练方法、装置和电子设备 | |
CN115454706A (zh) | 一种系统异常确定方法、装置、电子设备及存储介质 | |
CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
CN114881223A (zh) | 深度学习模型的转换方法、装置、电子设备和存储介质 | |
CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN112860894B (zh) | 情感分析模型的训练方法、情感分析方法、装置和设备 | |
CN111311000A (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
JP6927409B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN116401372A (zh) | 知识图谱表示学习方法、装置、电子设备及可读存储介质 | |
CN113222414B (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN113010774A (zh) | 一种基于动态深度注意力模型的点击率预测方法 | |
CN115169549B (zh) | 人工智能模型更新方法、装置、电子设备及存储介质 |
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 |