CN113408269A - 文本情感分析方法和装置 - Google Patents
文本情感分析方法和装置 Download PDFInfo
- Publication number
- CN113408269A CN113408269A CN202110818598.5A CN202110818598A CN113408269A CN 113408269 A CN113408269 A CN 113408269A CN 202110818598 A CN202110818598 A CN 202110818598A CN 113408269 A CN113408269 A CN 113408269A
- Authority
- CN
- China
- Prior art keywords
- emotion
- analyzed
- short text
- type
- text
- 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.)
- Granted
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 259
- 238000004458 analytical method Methods 0.000 title claims abstract description 115
- 230000007935 neutral effect Effects 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了文本情感分析方法和装置，涉及人工智能技术领域，进一步涉及自然语言处理、云计算技术领域。具体实现方案为：首先获取待分析短文本，然后确定待分析短文本的主客观偏向类型，最后基于待分析短文本和与主客观偏向类型对应的情感分析模型，得到待分析短文本对应的情感类型，能够识别待分析文本的主客观偏向类型，使得每种类型的文本能够利用对应的情感分析模型进行分析，有效提升了文本情感分析的准确性和针对性，从而提高了文本在舆情产品中的分类精确度。
Description
技术领域
本公开涉及人工智能技术领域，进一步涉及自然语言处理、云计算技术领域，尤其涉及文本情感分析方法和装置。
背景技术
随着互联网技术不断发展，情感分析是舆情分析系统中必不可少的模块，句子级情感分析方法是现阶段情感分析方向中的主流方案，句子级情感分析通常被定义为短文本分类任务。现有的情感分析主要包括基于规则匹配(如情感词典，情感规则构造等)、传统机器学习(如朴素贝叶斯，SVM和决策树等)、深度学习(如CNN、RNN，BERT及其变种等)的模型方法。
通常，情感分析是针对主观评论判别其情感极性，且深度学习近几年在自然语言处理，情感分析等方向的出色表现，使得基于深度学习的情感分析方法越来越受到重视。
发明内容
本公开提供了一种文本情感分析方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的一方面，提供了一种文本情感分析方法，该方法包括：获取待分析短文本；确定待分析短文本的主客观偏向类型；基于待分析短文本和与主客观偏向类型对应的情感分析模型，生成待分析短文本对应的情感类型。
根据本公开的另一方面，提供了一种文本情感分析装置，该装置包括：获取模块，被配置成获取待分析短文本；确定模块，被配置成确定待分析短文本的主客观偏向类型；生成模块，被配置成基于待分析短文本和与主客观偏向类型对应的情感分析模型，生成待分析短文本对应的情感类型。
根据本公开的另一方面，提供了一种电子设备，该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上述文本情感分析方法。
根据本公开的另一方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机指令，该计算机指令用于使计算机能够执行上述文本情感分析方法。
根据本公开的另一方面，本申请实施例提供了一种计算机程序产品，其包括计算机程序，计算机程序在被处理器执行时实现上述文本情感分析方法。
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是根据本公开的文本情感分析方法的一个实施例的流程图；
图2是根据本公开的文本情感分析方法的一个应用场景的示意图；
图3是根据本公开的确定待分析短文本的主客观偏向类型的一个实施例的流程图；
图4是根据本公开的生成待分析短文本对应的情感类型的一个实施例的流程图；
图5是根据本公开的生成待分析短文本对应的情感类型的又一个实施例的流程图；
图6是根据本公开的文本情感分析装置的一个实施例的流程图；
图7是用来实现本公开实施例的文本情感分析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。
参考图1，图1示出了可以应用于本公开的文本情感分析方法的实施例的流程示意图100。该文本情感分析方法包括以下步骤：
步骤110，获取待分析短文本。
在本实施例中，文本情感分析方法的执行主体(例如服务器)可以通过本地读取或者从移动终端接收等手段获取需要进行情感分析的待分析短文本，待分析短文本可以是具有小于等于预设数量句子的文本，例如，用户评论、新闻报道等文本，该预设数量可以是本领域技术人员根据文本句子数量进行设定的，在此不做具体限定。
上述执行主体可以通过各种手段获取待分析文本，并对待分析文本中包括的句子数量进行统计，得到待分析文本中的句子数量。上述执行主体将句子数量和预设数量进行比较，判断句子数量是否超过预设数量，若确定句子数量不超过预设数量，则将获取到的待分析文本作为待分析短文本；若确定句子数量超过预设数量，则根据预设数量，对待分析文本进行句子切分，使得每个切分后的文本中句子数量不超过预设数量，将切分后的文本作为待分析短文本。
步骤120，确定待分析短文本的主客观偏向类型。
在本实施例中，上述执行主体获取到待分析短文本后，可以通过对待分析短文本的文本内容进行分析，确定待分析短文本的主客观偏向类型，确定待分析短文本属于主观偏向类型，还是属于客观偏向类型。
可选地，上述执行主体可以在本地存储有主客观偏向类型对应的预设词库，预设词库可以分为主观偏向类型对应的主观预设词库和客观偏向类型对应的客观预设词库，其中，主观预设词库中可以包括至少一个主观性词语，客观预设词库中可以包括至少一个客观性词语。上述执行主体获取到待分析短文本后，可以对待分析短文本中的词语进行提取，得到提取词语。然后将提取词语与主观预设词库进行匹配，确定提取词语中是否包括主观预设词库中的主观性词语，还可以将提取词语与客观预设词库进行匹配，确定提取词语中是否包括客观预设词库中的客观性词语。若确定提取词语中仅包括主观性词语，不包括客观性词语，则确定待分析短文本属于主观偏向类型；若确定提取词语中仅包括客观性词语，不包括主观性词语，则确定待分析短文本属于客观偏向类型；若确定提取词语中既包括主观性词语，也包括客观性词语，则比较包括主观性词语的数量和包括客观性词语的数量，当包括主观性词语的数量大于包括客观性词语的数量时，则确定待分析短文本属于主观偏向类型，当包括主观性词语的数量小于等于包括客观性词语的数量时，则确定待分析短文本属于客观偏向类型。
步骤130，基于待分析短文本和与主客观偏向类型对应的情感分析模型，生成待分析短文本对应的情感类型。
在本实施例中，上述执行主体确定出待分析短文本对应的主客观偏向类型后，根据待分析短文本的主客观偏向类型获取对应的情感分析模型，情感分析模型与主客观偏向类型对应，主观偏向类型对应一种情感分析模型，客观偏向类型对应另一种情感分析模型。上述执行主体将待分析短文本输入与主客观偏向类型对应的情感分析模型中，情感分析模型对待分析短文本进行情感分析，输出待分析短文本对应的情感类型。
可选地，上述执行主体确定出待分析短文本属于主观偏向类型，则获取主观偏向类型对应的情感分析模型，将待分析短文本输入与主观偏向类型对应的情感分析模型中，情感分析模型对待分析短文本进行情感分析，输出待分析短文本对应的情感类型，该情感类型可以包括多种表现形式，可以包括积极、消极、中性等表现形式，或者包括正向、负向、中向等表现形式。
可选地，上述执行主体确定出待分析短文本属于客观偏向类型，则获取客观偏向类型对应的情感分析模型，将待分析短文本输入与客观偏向类型对应的情感分析模型中，情感分析模型对待分析短文本进行情感分析，输出待分析短文本对应的情感类型，该情感类型可以包括多种表现形式，可以包括积极、消极、中性等表现形式，或者包括正向、负向、中向等表现形式。
继续参考图2，图2是根据本实施例的文本情感分析方法的一个应用场景的示意图。在图2的应用场景中，终端201将待分析短文本发送给服务器202。服务器202获取到待分析短文本后，通过对待分析短文本的文本内容进行分析，确定待分析短文本的主客观偏向类型为主观偏向类型。服务器202基于待分析短文本的主客观偏向类型获取主观偏向类型对应的情感分析模型，然后将待分析短文本与主观偏向类型对应的情感分析模型中，情感分析模型对待分析短文本进行情感分析，输出待分析短文本对应的情感类型，确定待分析短文本对应的情感类型为积极类型。
本公开的实施例提供的文本情感分析方法，通过获取待分析短文本，然后确定待分析短文本的主客观偏向类型，最后基于待分析短文本和与主客观偏向类型对应的情感分析模型，得到待分析短文本对应的情感类型，能够识别待分析文本的主客观偏向类型，使得每种类型的文本能够利用对应的情感分析模型进行分析，有效提升了文本情感分析的准确性和针对性，从而提高了文本在舆情产品中的分类精确度。
参考图3，图3示出了确定待分析短文本的主客观偏向类型的一个实施例的流程示意图300，即上述步骤120，基于待分析短文本的数据源和待分析短文本，确定待分析短文本的主客观偏向类型，可以包括以下步骤：
步骤310，获取待分析短文本的数据源，并确定数据源的数据源类型。
在本实施例中，上述执行主体在从移动终端中接收待分析短文本时可以同时获取待分析短文本的数据源，或者上述执行主体在从本地读取待分析短文本的同时可以获取待分析短文本的数据源，该数据源可以表征待分析短文本的数据来源，可以包括多种数据源类型的数据源，可以包括新闻来源、评论来源、互动平台来源，该互动平台来源可以表征用户在互动平台发表的内容和评论等来源。
上述执行主体确定出待分析短文本的数据源后，对该数据源进行分析，确定数据源的数据源类型，数据源类型可以包括第一预设数据源和第二预设数据源，第一预设数据源可以表征未知类型的数据源文本，可以包括互动平台来源；第二预设数据源可以表征已知类型的数据源文本，可以包括新闻来源和评论来源等。
步骤320，响应于确定数据源类型是第一预设数据源，获取主客观分析模型。
在本实施例中，上述执行主体获取到待分析短文本的数据源后，对该数据源进行分析，确定数据源的数据源类型是第一预设数据源。上述执行主体获取主客观分析模型，该主客观分析模型用于输出文本的主客观偏向类型，可以输出主观偏向类型或客观偏向类型。
步骤330，将待分析短文本输入主客观分析模型，得到待分析短文本的主客观偏向类型。
在本实施例中，上述执行主体获取到主客观分析模型后，将待分析短文本输入主客观分析模型，主客观分析模型对待分析短文本进行处理，输出待分析短文本的主客观偏向类型。
可选地，上述执行主体获取到主客观分析模型后，将待分析短文本输入主客观分析模型，主客观分析模型对待分析短文本进行处理，输出待分析短文本的主客观偏向类型为主观偏向类型，或者输出待分析短文本的主客观偏向类型为客观偏向类型。
在本实现方式中，通过主客观分析模型确定待分析短文本的主客观偏向类型，若不能依据数据源确定主客观偏向类型时，实现了基于神经网络模型确定待分析短文本的主客观偏向类型，提高了主客观偏向类型的准确性和确定效率。
进一步参考图3，上述步骤120，基于待分析短文本的数据源和待分析短文本，确定待分析短文本的主客观偏向类型，还可以包括以下步骤：
步骤340，响应于确定数据源类型是第二预设数据源，基于数据源确定待分析短文本的主客观偏向类型。
在本实施例中，上述执行主体获取到待分析短文本的数据源后，对该数据源进行分析，确定数据源的数据源类型是第二预设数据源。上述执行主体根据待分析短文本的数据源确定待分析短文本属于主观偏向类型或客观偏向类型，每种数据源可以对应不同的主客观偏向类型。
可选地，上述执行主体确定待分析短文本的数据源为新闻来源，则确定待分析短文本属于客观偏向类型。上述执行主体确定待分析短文本的数据源为评论来源，则确定待分析短文本属于主观偏向类型。
在本实现方式中，通过数据源确定待分析短文本的主客观偏向类型，能够直接且快速地确定待分析短文本的主客观偏向类型，提高了主客观偏向类型的准确性和确定效率。
参考图4，图4示出了生成待分析短文本对应的情感类型的一个实施例的流程图400，即上述步骤130，基于待分析短文本和与主客观偏向类型对应的情感分析模型，生成待分析短文本对应的情感类型，可以包括以下步骤：
步骤410，获取与主客观偏向类型对应的情感分析模型。
在本步骤中，上述执行主体确定出待分析短文本对应的主客观偏向类型后，根据待分析短文本的主客观偏向类型获取对应的情感分析模型，情感分析模型与主客观偏向类型对应，主观偏向类型对应一种情感分析模型，客观偏向类型对应另一种情感分析模型。
可选地，上述执行主体确定出待分析短文本属于主观偏向类型，则获取主观偏向类型对应的情感分析模型。
可选地，上述执行主体确定出待分析短文本属于客观偏向类型，则获取客观偏向类型对应的情感分析模型。
步骤420，将待分析短文本输入情感分析模型，得到待分析文本对应的各个情感标签的概率值。
在本步骤中，上述执行主体获取到与主客观偏向类型对应的情感分析模型后，可以将待分析短文本输入对应的情感分析模型中，情感分析模型对待分析短文本进行处理，得到待分析文本对应的各个情感标签的概率值。
其中，每个情感分析模型可以对应多个情感标签，可以包括积极、消极、中性等各个情感标签，或者包括正向、负向、中向等各个情感标签。情感分析模型对待分析短文本进行处理分析，可以输出各个情感标签对应的概率值，即可以输出积极标签的概率值、消极标签的概率值、中性标签的概率值，或者输出正向标签的概率值、负向标签的概率值、中向标签的概率值。
步骤430，基于各个情感标签的概率值，生成待分析短文本对应的情感类型。
在本步骤中，上述执行主体获取到各个情感标签的概率值后，可以根据各个情感标签的概率值的大小关系确定待分析短文本对应的情感类型。上述执行主体可以比较各个情感标签的概率值，确定出最大概率值对应的情感标签，并基于该情感标签生成待分析短文本对应的情感类型。
可选地，上述执行主体获取到正向标签的概率值为0.1、负向标签的概率值0.5、中向标签的概率值0.4，比较三个情感标签的概率值，确定负向标签的概率值最大，并根据负向标签确定待分析短文本对应的情感类型为负向情感类型。
在本实现方式中，通过情感分析模型和各个情感标签的概率值确定待分析短文本对应的情感类型，针对每一种主客观偏向类型的短文本，能够快速且准确地生成待分析短文本对应的情感类型，提高了情感类型的准确性和确定效率。
参考图5，图5示出了生成待分析短文本对应的情感类型的又一个实施例的流程图500，即上述步骤430，基于各个情感标签的概率值，生成待分析短文本对应的情感类型，可以包括以下步骤：
步骤510，响应于确定中性标签的概率值最大，获取与主客观偏向类型对应的情感词典。
其中，情感分析模型能够输出的情感标签可以包括中性标签。
在本步骤中，上述执行主体获取到各个情感标签的概率值后，可以比较各个情感标签的概率值，经判断确定出最大概率值对应的情感标签为中性标签。上述执行主体进一步获取与主客观偏向类型对应的情感词典，情感词典可以包括各个情感标签对应的词语，情感词典与主客观偏向类型对应，主观偏向类型对应主观情感词典，客观偏向类型对应客观情感词典。
可选地，上述执行主体获取到正向标签的概率值为0.1、负向标签的概率值0.4、中性标签的概率值0.5，比较三个情感标签的概率值，确定中性标签的概率值最大。上述执行主体则根据待分析短文本的主客观偏向类型，获取对应的情感词典，即待分析短文本的主客观偏向类型为主观偏向类型，上述执行主体获取主观情感词典；待分析短文本的主客观偏向类型为客观偏向类型，上述执行主体获取主观情感词典。
步骤520，将待分析短文本和情感词典进行匹配，确定情感词匹配结果。
在本步骤中，上述执行主体获取到与主客观偏向类型对应的情感词典后，可以将待分析短文本和情感词典进行匹配，即将待分析短文本中的词语与情感词典中各个情感标签对应的词语进行匹配，确定情感词匹配结果，该情感词匹配结果可以包括各个情感标签对应的词语匹配结果，可以包括正向结果、负向结果、中性结果等表现形式。
上述执行主体将待分析短文本和情感词典进行匹配，若只匹配到正向标签的词语，则确定情感词匹配结果为正向结果；若只匹配到负向标签的词语，则确定情感词匹配结果为负向结果；若既匹配到正向标签的词语，又匹配到负向标签的词语，则确定情感词匹配结果为中性结果。
步骤530，基于情感词匹配结果，生成待分析短文本对应的情感类型。
在本步骤中，上述执行主体经匹配获取到情感词匹配结果后，可以根据情感词匹配结果，生成待分析短文本对应的情感类型，上述执行主体可以直接将情感词匹配结果确定为待分析短文本对应的情感类型。
在本实现方式中，通过对中性标签的概率值最大的文本进行分析，基于待分析短文本和情感词典的匹配结果进一步确定待分析文本对应的情感类型，提高了待分析短文本情感类型的准确性。
作为一个可选实现方式，情感标签还可以包括正向标签。上述步骤530，基于情感词匹配结果，生成待分析短文本对应的情感类型，可以包括以下步骤：响应于确定情感匹配结果包括正向结果，将待分析短文本对应的正向标签的概率值和正向阈值进行比较；基于比较结果，生成待分析短文本对应的情感类型。
在本实现方式中，上述执行主体经匹配获取到情感词匹配结果后，可以对情感词匹配结果进行分析，若确定情感匹配结果包括正向结果，则获取正向结果对应的正向阈值。上述执行主体将情感分析模型输出的正向标签对应的概率值和正向阈值进行比较，判断正向标签对应的概率值和正向阈值的大小关系，得到正向标签对应的概率值和正向阈值的比较结果，上述执行主体根据正向标签对应的概率值和正向阈值的比较结果生成待分析短文本对应的情感类型。
可选地，上述执行主体可以将正向标签对应的概率值和正向阈值进行比较，判断正向标签对应的概率值和正向阈值的大小关系，若确定正向标签对应的概率值大于正向阈值，则确定待分析短文本对应的情感类型为正向类型；若确定正向标签对应的概率值不大于正向阈值，则确定待分析短文本对应的情感类型为中性类型。
在本实现方式中，通过将正向标签对应的概率值和正向阈值进行比较，基于比较结果确定情感类型，能够对中性标签的概率值最大的文本进一步分析，实现了对中性文本的多次识别判断，提高了待分析短文本情感类型的准确性。
作为一个可选实现方式，情感标签还可以包括负向标签。上述步骤530，基于情感词匹配结果，生成待分析短文本对应的情感类型，还可以包括以下步骤：响应于确定情感匹配结果包括负向结果，将待分析短文本对应的负向标签的概率值和负向阈值进行比较；基于比较结果，生成待分析短文本对应的情感类型。
在本实现方式中，上述执行主体经匹配获取到情感词匹配结果后，可以对情感词匹配结果进行分析，若确定情感匹配结果包括负向结果，则获取负向结果对应的负向阈值。上述执行主体将情感分析模型输出的负向标签对应的概率值和负向阈值进行比较，判断负向标签对应的概率值和负向阈值的大小关系，得到负向标签对应的概率值和负向阈值的比较结果，上述执行主体根据负向标签对应的概率值和负向阈值的比较结果生成待分析短文本对应的情感类型。
可选地，上述执行主体可以将负向标签对应的概率值和负向阈值进行比较，判断负向标签对应的概率值和负向阈值的大小关系，若确定负向标签对应的概率值大于负向阈值，则确定待分析短文本对应的情感类型为负向类型；若确定负向标签对应的概率值不大于负向阈值，则确定待分析短文本对应的情感类型为中性类型。
在本实现方式中，通过将负向标签对应的概率值和负向阈值进行比较，基于比较结果确定情感类型，能够对中性标签的概率值最大的文本进一步分析，实现了对中性文本的多次识别判断，提高了待分析短文本情感类型的准确性。
作为一个可选实现方式，上述步骤530，基于情感词匹配结果，生成待分析短文本对应的情感类型，还可以包括以下步骤：响应于确定情感匹配结果包括中性结果，生成待分析文本对应的情感类型为中性文本。
在本实现方式中，上述执行主体经匹配获取到情感词匹配结果后，可以对情感词匹配结果进行分析，若确定情感匹配结果包括中性结果，则确定待分析文本对应的情感类型为中性文本。
在本实现方式中，通过对中性标签的概率值最大的文本进一步分析，确定待分析文本对应的情感类型，能够对中性标签的概率值最大的文本进一步分析，实现了对中性文本的多次识别判断，提高了待分析短文本情感类型的准确性。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种文本情感分析装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的文本情感分析装置600包括：获取模块610、确定模块620和生成模块630。
其中，获取模块610，被配置成获取待分析短文本；
确定模块620，被配置成确定待分析短文本的主客观偏向类型；
生成模块630，被配置成基于待分析短文本和与主客观偏向类型对应的情感分析模型，生成待分析短文本对应的情感类型。
在本实施例的一些可选的方式中，确定模块，进一步被配置成：获取待分析短文本的数据源，并确定数据源的数据源类型；响应于确定数据源类型是第一预设数据源，获取主客观分析模型，其中，主客观分析模型用于输出文本的主客观偏向类型；将待分析短文本输入主客观分析模型，得到待分析短文本的主客观偏向类型。
在本实施例的一些可选的方式中，确定模块，进一步被配置成：响应于确定数据源类型是第二预设数据源，基于数据源确定待分析短文本的主客观偏向类型。
在本实施例的一些可选的方式中，生成模块，进一步被配置成：获取与主客观偏向类型对应的情感分析模型；将待分析短文本输入情感分析模型，得到待分析文本对应的各个情感标签的概率值；基于各个情感标签的概率值，生成待分析短文本对应的情感类型。
在本实施例的一些可选的方式中，情感标签包括中性标签；以及，生成模块，进一步被配置成：响应于确定中性标签的概率值最大，获取与主客观偏向类型对应的情感词典；将待分析短文本和情感词典进行匹配，确定情感词匹配结果；基于情感词匹配结果，生成待分析短文本对应的情感类型。
在本实施例的一些可选的方式中，情感标签包括正向标签；以及，生成模块，进一步被配置成：响应于确定情感匹配结果包括正向结果，将待分析短文本对应的正向标签的概率值和正向阈值进行比较；基于比较结果，生成待分析短文本对应的情感类型。
在本实施例的一些可选的方式中，情感标签包括负向标签；以及，生成模块，进一步被配置成：响应于确定情感匹配结果包括负向结果，将待分析短文本对应的负向标签的概率值和负向阈值进行比较；基于比较结果，生成待分析短文本对应的情感类型。
在本实施例的一些可选的方式中，生成模块，进一步被配置成：响应于确定情感匹配结果包括中性结果，生成待分析文本对应的情感类型为中性文本。
本公开的实施例提供的文本情感分析装置，通过获取待分析短文本，然后确定待分析短文本的主客观偏向类型，最后基于待分析短文本和与主客观偏向类型对应的情感分析模型，得到待分析短文本对应的情感类型，能够识别待分析文本的主客观偏向类型，使得每种类型的文本能够利用对应的情感分析模型进行分析，有效提升了文本情感分析的准确性和针对性，从而提高了文本在舆情产品中的分类精确度。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如文本情感分析方法。例如，在一些实施例中，文本情感分析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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的文本情感分析方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本情感分析方法。
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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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 (19)
1.一种文本情感分析方法，包括：
获取待分析短文本；
确定所述待分析短文本的主客观偏向类型；
基于所述待分析短文本和与所述主客观偏向类型对应的情感分析模型，生成所述待分析短文本对应的情感类型。
2.根据权利要求1所述的方法，其中，所述确定所述待分析短文本的主客观偏向类型，包括：
获取所述待分析短文本的数据源，并确定所述数据源的数据源类型；
响应于确定所述数据源类型是第一预设数据源，获取主客观分析模型，其中，所述主客观分析模型用于输出文本的主客观偏向类型；
将所述待分析短文本输入所述主客观分析模型，得到所述待分析短文本的主客观偏向类型。
3.根据权利要求2所述的方法，其中，所述确定所述待分析短文本的主客观偏向类型，还包括：
响应于确定所述数据源类型是第二预设数据源，基于所述数据源确定待分析短文本的主客观偏向类型。
4.根据权利要求1所述的方法，其中，所述基于所述待分析短文本和与所述主客观偏向类型对应的情感分析模型，生成所述待分析短文本对应的情感类型，包括：
获取与所述主客观偏向类型对应的情感分析模型；
将所述待分析短文本输入所述情感分析模型，得到所述待分析文本对应的各个情感标签的概率值；
基于所述各个情感标签的概率值，生成所述待分析短文本对应的情感类型。
5.根据权利要求4所述的方法，其中，所述情感标签包括中性标签；以及，所述基于所述各个情感标签的概率值，生成所述待分析短文本对应的情感类型，包括：
响应于确定所述中性标签的概率值最大，获取与所述主客观偏向类型对应的情感词典；
将所述待分析短文本和所述情感词典进行匹配，确定情感词匹配结果；
基于所述情感词匹配结果，生成所述待分析短文本对应的情感类型。
6.根据权利要求5所述的方法，其中，所述情感标签包括正向标签；以及，所述基于所述情感词匹配结果，生成所述待分析短文本对应的情感类型，包括：
响应于确定所述情感匹配结果包括正向结果，将所述待分析短文本对应的正向标签的概率值和正向阈值进行比较；
基于比较结果，生成所述待分析短文本对应的情感类型。
7.根据权利要求5所述的方法，其中，所述情感标签包括负向标签；以及，所述基于所述情感词匹配结果，生成所述待分析短文本对应的情感类型，包括：
响应于确定所述情感匹配结果包括负向结果，将所述待分析短文本对应的负向标签的概率值和负向阈值进行比较；
基于比较结果，生成所述待分析短文本对应的情感类型。
8.根据权利要求5所述的方法，其中，所述基于所述情感词匹配结果，生成所述待分析短文本对应的情感类型，包括：
响应于确定所述情感匹配结果包括中性结果，生成所述待分析文本对应的情感类型为中性文本。
9.一种文本情感分析装置，包括：
获取模块，被配置成获取待分析短文本；
确定模块，被配置成确定所述待分析短文本的主客观偏向类型；
生成模块，被配置成基于所述待分析短文本和与所述主客观偏向类型对应的情感分析模型，生成所述待分析短文本对应的情感类型。
10.根据权利要求9所述的装置，其中，所述确定模块，进一步被配置成：
获取所述待分析短文本的数据源，并确定所述数据源的数据源类型；
响应于确定所述数据源类型是第一预设数据源，获取主客观分析模型，其中，所述主客观分析模型用于输出文本的主客观偏向类型；
将所述待分析短文本输入所述主客观分析模型，得到所述待分析短文本的主客观偏向类型。
11.根据权利要求10所述的装置，其中，所述确定模块，进一步被配置成：
响应于确定所述数据源类型是第二预设数据源，基于所述数据源确定待分析短文本的主客观偏向类型。
12.根据权利要求9所述的装置，其中，所述生成模块，进一步被配置成：
获取与所述主客观偏向类型对应的情感分析模型；
将所述待分析短文本输入所述情感分析模型，得到所述待分析文本对应的各个情感标签的概率值；
基于所述各个情感标签的概率值，生成所述待分析短文本对应的情感类型。
13.根据权利要求12所述的装置，其中，所述情感标签包括中性标签；以及，所述生成模块，进一步被配置成：
响应于确定所述中性标签的概率值最大，获取与所述主客观偏向类型对应的情感词典；
将所述待分析短文本和所述情感词典进行匹配，确定情感词匹配结果；
基于所述情感词匹配结果，生成所述待分析短文本对应的情感类型。
14.根据权利要求13所述的装置，其中，所述情感标签包括正向标签；以及，所述生成模块，进一步被配置成：
响应于确定所述情感匹配结果包括正向结果，将所述待分析短文本对应的正向标签的概率值和正向阈值进行比较；
基于比较结果，生成所述待分析短文本对应的情感类型。
15.根据权利要求13所述的装置，其中，所述情感标签包括负向标签；以及，所述生成模块，进一步被配置成：
响应于确定所述情感匹配结果包括负向结果，将所述待分析短文本对应的负向标签的概率值和负向阈值进行比较；
基于比较结果，生成所述待分析短文本对应的情感类型。
16.根据权利要求13所述的装置，其中，所述生成模块，进一步被配置成：
响应于确定所述情感匹配结果包括中性结果，生成所述待分析文本对应的情感类型为中性文本。
17.一种电子设备，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1-8中任一项所述的方法。
18.一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1-8中任一项所述的方法。
19.一种计算机程序产品，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权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818598.5A CN113408269B (zh) | 2021-07-20 | 文本情感分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818598.5A CN113408269B (zh) | 2021-07-20 | 文本情感分析方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408269A true CN113408269A (zh) | 2021-09-17 |
| CN113408269B CN113408269B (zh) | 2024-06-28 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115587178A (zh) * | 2022-09-08 | 2023-01-10 | 上海网商电子商务有限公司 | 一种汽车评论的分析方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776581A (zh) * | 2017-02-21 | 2017-05-31 | 浙江工商大学 | 基于深度学习的主观性文本情感分析方法 |
| US20180239815A1 (en) * | 2015-08-12 | 2018-08-23 | Hithink Royalflush Information Network Co., Ltd. | Method and system for sentiment analysis of information |
| US20180329886A1 (en) * | 2017-05-15 | 2018-11-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial intelligence based method and apparatus for generating information |
| US20190163742A1 (en) * | 2017-11-28 | 2019-05-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating information |
| CN110232123A (zh) * | 2019-05-28 | 2019-09-13 | 第四范式（北京）技术有限公司 | 文本的情感分析方法及其装置、计算设备与可读介质 |
| WO2020147395A1 (zh) * | 2019-01-17 | 2020-07-23 | 平安科技（深圳）有限公司 | 基于情感的文本分类处理方法、装置和计算机设备 |
| CN112256826A (zh) * | 2020-10-19 | 2021-01-22 | 网易（杭州）网络有限公司 | 情感分析方法、评价、情感分析模型的训练方法及装置 |
| CN112818681A (zh) * | 2020-12-31 | 2021-05-18 | 北京知因智慧科技有限公司 | 文本情感分析方法、系统及电子设备 |
| CN112836515A (zh) * | 2019-11-05 | 2021-05-25 | 阿里巴巴集团控股有限公司 | 文本分析方法、推荐方法、装置、电子设备及存储介质 |
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180239815A1 (en) * | 2015-08-12 | 2018-08-23 | Hithink Royalflush Information Network Co., Ltd. | Method and system for sentiment analysis of information |
| CN106776581A (zh) * | 2017-02-21 | 2017-05-31 | 浙江工商大学 | 基于深度学习的主观性文本情感分析方法 |
| US20180329886A1 (en) * | 2017-05-15 | 2018-11-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial intelligence based method and apparatus for generating information |
| US20190163742A1 (en) * | 2017-11-28 | 2019-05-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating information |
| WO2020147395A1 (zh) * | 2019-01-17 | 2020-07-23 | 平安科技（深圳）有限公司 | 基于情感的文本分类处理方法、装置和计算机设备 |
| CN110232123A (zh) * | 2019-05-28 | 2019-09-13 | 第四范式（北京）技术有限公司 | 文本的情感分析方法及其装置、计算设备与可读介质 |
| CN112836515A (zh) * | 2019-11-05 | 2021-05-25 | 阿里巴巴集团控股有限公司 | 文本分析方法、推荐方法、装置、电子设备及存储介质 |
| CN112256826A (zh) * | 2020-10-19 | 2021-01-22 | 网易（杭州）网络有限公司 | 情感分析方法、评价、情感分析模型的训练方法及装置 |
| CN112818681A (zh) * | 2020-12-31 | 2021-05-18 | 北京知因智慧科技有限公司 | 文本情感分析方法、系统及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨立公等: ""文本情感分析综述"", 《计算机应用》, vol. 33, no. 6, pages 1574 - 1578 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115587178A (zh) * | 2022-09-08 | 2023-01-10 | 上海网商电子商务有限公司 | 一种汽车评论的分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709247A (zh) | 数据集处理方法、装置、电子设备和存储介质 | |
| CN112926306B (zh) | 文本纠错方法、装置、设备以及存储介质 | |
| US20230011678A1 (en) | Method for predicting protein-protein interaction | |
| US20230103728A1 (en) | Method for sample augmentation | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| CN115454706A (zh) | 一种系统异常确定方法、装置、电子设备及存储介质 | |
| CN114021548A (zh) | 敏感信息检测方法、训练方法、装置、设备以及存储介质 | |
| CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
| CN114461665B (zh) | 用于生成语句转换模型的方法、装置及计算机程序产品 | |
| CN113743127B (zh) | 任务型对话的方法、装置、电子设备及存储介质 | |
| CN114239583B (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
| US20210342379A1 (en) | Method and device for processing sentence, and storage medium | |
| CN112989797B (zh) | 模型训练、文本扩展方法，装置，设备以及存储介质 | |
| CN113254578B (zh) | 用于数据聚类的方法、装置、设备、介质和产品 | |
| CN113408269B (zh) | 文本情感分析方法和装置 | |
| CN114067805A (zh) | 声纹识别模型的训练与声纹识别方法及装置 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
| CN113408269A (zh) | 文本情感分析方法和装置 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
| CN113204616A (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
| CN112632999A (zh) | 命名实体识别模型获取及命名实体识别方法、装置及介质 | |
| CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
| CN113032540B (zh) | 人机交互方法、装置、设备和存储介质 |
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 |