CN115270717A - 一种立场检测方法、装置、设备及介质 - Google Patents
一种立场检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115270717A CN115270717A CN202210764767.6A CN202210764767A CN115270717A CN 115270717 A CN115270717 A CN 115270717A CN 202210764767 A CN202210764767 A CN 202210764767A CN 115270717 A CN115270717 A CN 115270717A
- Authority
- CN
- China
- Prior art keywords
- text
- contained
- phrase
- semantic
- sequence
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种立场检测方法、装置、设备及介质,其中该方法包括:获取文本中包含的词汇的语义编码和特征信息,特征信息包括词性信息;根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语;根据文本中包含的词汇的语义编码生成短语的语义编码序列;基于短语的第一语义编码序列和预设的观点的第二语义编码序列,对短语和观点进行聚类;根据聚类结果确定文本中包含的观点,实现了对文本所包含词汇的特征信息的综合分析,从而能够准确判断文本的立场观点。
Description
技术领域
本公开涉及情感分类技术领域,尤其涉及一种立场检测方法、装置、设备及介质。
背景技术
文本立场检测是研究社交媒体舆论动向及辅助商业决策的重要技术。立场检测的目的是通过对用户所发表的带有情感表达的文本进行分析,得到用户的立场倾向性(赞同、中立、反对),然而,用户所发表的文本往往内容复杂,且包含有用户的多种情感表达,导致对文本进行分析的过程中,无法准确分析和识别文本中用户所倾向的立场。
发明内容
为了解决上述技术问题,本公开提供了一种立场检测方法、装置、设备及介质。
本公开实施例的第一方面提供了一种立场检测方法,包括:获取文本中包含的词汇的语义编码和特征信息,特征信息包括词性信息;根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语;根据文本中包含的词语的语义编码生成短语的语义编码序列;基于短语的第一语义编码序列和预设的观点的第二语义编码序列,对短语和观点进行聚类;根据聚类结果确定文本中包含的观点。
在另一种实施方式中,获取文本中包含的词汇的语义编码和特征信息之前,包括:对文本进行分词操作;根据分词操作结果进行去停用词处理,得到文本中包含的目标词汇。
在一种实施方式中,获取文本中包含的词汇的语义编码和特征信息,包括:利用预训练语言模型对文本中包含的词汇进行编码,获取文本中包含的词汇的语义编码;基于预设字典获取与语义编码所对应词汇的特征信息。
在另一种实施方式中,特征信息还包括情感信息,生成至少一个预设句式结构的短语之后,包括:利用预设情感极性字典对短语所包含的词汇进行情感分析;根据分析结果筛选出词汇包含有观点倾向的短语;根据文本中包含的词汇的语义编码生成短语的语义编码序列,包括:根据含有观点倾向的短语中包含的词汇的语义编码,生成短语的语义编码序列。
在一种实施方式中,根据聚类结果确定文本中包含的观点,包括:基于聚类结果获取具有观点倾向的短语的数量;根据数量进行权重占比计算,得到数量占比最大的具有观点倾向的短语,以此确定文本中包含的观点。
在另一种实施方式中,该立场检测方法还包括:对观点和文本进行组合,得到组合后的文本。
本公开实施例的第二方面提供了一种立场检测装置,包括:
序列获取模块,用于获取文本中包含的词汇的语义编码值和特征信息,特征信息包括词性信息;
短语获取模块,用于根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语;
短语序列获取模块,用于根据本种包含的词语的语义编码值生成短语的语义编码序列;
序列聚类模块,用于基于短语的第一语义编码序列和预设的观点的第二语义编码序列,对短语和观点进行聚类;
观点确定模块,用于根据聚类结果确定文本中包含的观点。
在一种实施方式中,序列获取模块,包括:
分词子模块,用于对文本进行分词操作;
去停用词子模块,用于根据分词操作结果进行去停用词处理,得到文本中包含的目标词汇。
在一种实施方式中,序列获取模块,还包括:
第一编码子模块,用于利用预训练语言模型对文本中包含的词汇进行编码,获取文本中包含的词汇的语义编码;
特征信息获取子模块,用于基于预设字典获取与语义编码所对应词汇的特征信息。
在一种实施方式中,短语获取模块,包括:
情感分析子模块,用于利用预设情感极性字典对短语所包含的词汇进行情感分析;
短语筛选子模块,用于根据分析结果筛选出词汇包含有观点倾向的短语。
根据文本中包含的词汇的语义编码生成短语的语义编码序列,包括:
短语编码序列子模块,用于根据含有观点倾向的短语中包含的词汇的语义编码,生成短语的语义编码序列。
在一种实施方式中,观点确定模块,包括:
数量确认子模块,用于基于聚类结果获取具有观点倾向的短语的数量;
权重计算子模块,用于根据数量进行权重占比计算,得到数量占比最大的具有观点倾向的短语,以此确定文本中包含的观点。
在另一种实施方式中,该立场检测装置,还包括:
文本结构重组模块,用于对观点和文本进行组合,得到组合后的文本。
本公开实施例的第三方面提供了一种计算机设备,该计算机设备包括存储器和处理器,其中,存储器中存储有计算机程序,当该计算机程序被处理器执行时,处理器可以实现上述第一方面的方法。
本公开实施例的第四方面提供了一种计算机可读存储介质,该存储介质中存储有计算机程序,当该计算机程序被处理器执行时,处理器可以实现上述第一方面的方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例,通过获取文本中包含的词汇的语义编码和特征信息,根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语,并根据文本中包含的词汇的语义编码生成对应短语的语义编码序列,基于短语的第一语义编码序列和预设的观点的第二语义编码序列,对短语和观点进行聚类,根据聚类结果确定文本中包含的观点,实现了对文本所包含词汇的特征信息的综合分析,从而能够准确判断文本的立场观点。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种立场检测方法的流程图;
图2是本公开实施例提供的一种立场检测装置的结构示意图;
图3是本公开实施例中的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
在现有的针对文本立场检测过程中,可能会出现如下问题:
1、在对文本分析的过程中,将有关情感和主题的词汇提取出来,然后再将这些词汇作为特征词进行立场倾向分类,然而,在对文本特征进行分析时仅使用情感词时,并不能准确反映该文本的立场倾向,其立场检测结果不理想。
2、在对文本进行分析的过程中,通过神经网络的深度学习方法对文本进行分析,然而,仅能获取文本的局部特征,无法准确获得该文本的立场倾向,其立场检测的实践效果不理想。
针对上述问题,本公开实施例提供了一种立场检测方法、装置、设备及介质。下面结合图1对本公开实施例提供的基于图像分析的清洁方法进行说明。
在本公开实施例中,该立场检测方法可以由电子设备执行。其中,电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。
图1示出了本公开实施例提供的一种立场检测方法的流程示意图。
如图1所示,该立场检测方法,可以包括如下步骤:
S100、获取文本中包含的词汇的语义编码和特征信息,特征信息包括词性信息。
其中,文本可以是用户在社交平台上发表的带有用户观点的文字信息,也可以是用户通过计算机设备将语音转换成相应的文字信息,也可以是通过计算机设备将视频信息转换而成的文字信息。
在本公开实施例中,获取文本中包含的词汇的语义编码和特征信息,可以包括:利用预训练语言模型对文本中包含的词汇进行编码,获取文本中包含的词汇的语义编码;基于预设字典获取与语义编码所对应词汇的特征信息。
其中,预训练语言模型可以是RoBERTa(A Robustly Optimized BERT,强力优化的自变换双向编码器)模型。
在本公开实施例中,通过预训练语言模型将获取到的文本中所包含的词汇进行编码,得到该文本中所包含的所有词汇对应的语义编码,并利用预设字典提取语义编码对应词汇的特征信息。
可选地,编码可以是数字编码,将文本所包含的词汇利用RoBERTa(A RobustlyOptimized BERT,强力优化的自变换双向编码器)模型进行数字编码,得到对应词汇的语义编码。
可选地,基于预训练语言模型获取与语义编码所对应词汇的特征信息,可以是通过NCRF++(开源神经序列标记工具包)对预训练语言模型获取到的语义编码进行标记,通过NCRF++(开源神经序列标记工具包)的预设字典提取文本中词汇对应的语义编码的特征信息。
在本公开实施例中,通过NCRF++(开源神经序列标记工具包)划分单词序列层和字符序列层,利用CNN(Convolutional Neural Networks,卷积神经网络)将语义编码对应的词汇的特征信息提取出来,并利用RNN(Recurrent Neural Network,循环神经网络)对提取出的特征信息进行标注,根据标注的特征划分至单词序列层和字符序列层中。
例如,获取到的文本为“愿执子手立黄昏,冬日品茗粥尚温。”,通过预训练语言模型将其进行数字编码,可以得到数字序列“[2703,2809,2094,2797,4989,7942,3210,8024,102,1100,3189,1501,5751,5114,2213,3946,119]”。通过NCRF++(开源神经序列标记工具包)将该数字序列中各编码对应的词汇的特征信息提取出来。
在本公开实施例中,特征信息包括文本中所包含词汇的词性信息。例如,“愿执子手立黄昏,冬日品茗粥尚温。”中所包含的词汇的词性信息包括有名词、动词、代词等,在此不作限制。
S200、根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语。
在本公开实施例中,预设句式结构可以是利用CRF(conditional random field,条件随机场)函数将文本中包含的词语按照原先的排列顺序以及对应的词性进行重新组合,生成的带有观点倾向的短语。
其中,预设句式结构可以是“动词+名词”的句式结构形式,在此不作限制。
S300、根据文本中包含的词汇的语义编码生成短语的语义编码序列。
在本公开实施例中,根据生成的短语所包含的词汇,查找该词汇在文本中所对应的语义编码,根据查找到的语义编码生成该短语的语义编码序列。
可选地,生成的语义编码序列所包含的语义编码与其对应的词汇的特征信息结合生成该短语所具有的观点倾向。
S400、基于短语的第一语义编码序列和预设的观点的第二语义编码序列,对短语和观点进行聚类。
其中,预设的观点的语义编码序列可以是“赞成”、“中立”、“反对”三种观点的语义编码序列。
在本公开实施例中,将第一语义编码序列和第二语义编码序列分别转换成第一矩阵和第二矩阵,利用欧式距离公式计算第一矩阵和第二矩阵之间的距离,根据计算结果,将生成的至少一个短语聚类至对应的预设观点。
可选地,生成有若干具有观点倾向的预设句式结构的短语,根据各短语中所包含的词汇的语义编码对应生成若干语义编码序列,将若干语义编码序列转换成若干第一矩阵,分别计算上述各第一矩阵至第二矩阵的距离,将各第一矩阵与“赞成”、“中立”、“反对”三种预设观点进行聚类,得到具有上述三种预设观点倾向的短语。
可选地,利用k-means(k-means clustering algorithm,K均值聚类算法)对所生成的若干短语进行聚类,并将聚类结果迭代K次,以获得距离预设观点最近的短语。
S500、根据聚类结果确定文本中包含的观点。
在本公开实施例中,根据聚类的距离结果,确定所生成的至少一个短语与预设观点距离最近,距离最近的预设观点为文本所包含的观点。
可选地,生成有若干具有观点倾向的预设句式结构的短语,分别对各短语进行聚类计算,并基于聚类结果获取具有观点倾向的短语的数量;根据数量进行权重占比计算,得到数量占比最大的具有观点倾向的短语,以此确定文本中包含的观点。
在本公开实施例中,将聚类结果输入至预训练语言模型的Softmax(激活函数)分类器中,在Softmax(激活函数)分类器中计算聚类结果中所包含的观点的权重占比,根据计算结果输出权重占比最大的观点,将其作为该文本的立场观点。
在本公开实施例中,通过获取文本中包含的词汇的语义编码和特征信息,根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语,并根据文本中包含的词汇的语义编码生成对应短语的语义编码序列,基于短语的语义编码序列和预设的观点的语义编码序列,对短语和观点进行聚类,根据聚类结果确定文本中包含的观点,实现了对文本所包含词汇的特征信息的综合分析,从而能够准确判断文本的立场观点。
在本公开另一实施例中,为提高对文本立场检测的准确度,在获取文本中包含的词汇的语义编码和特征信息之前,该立场检测方法还可以包括:对文本进行分词操作;根据分词操作结果进行去停用词处理,得到文本中包含的目标词汇。
在本公开实施例中,利用预训练语言模型对本文进行分词、去停用词操作,得到文本中所包含的目标词汇。
其中,分词可以是将文本进行拆分,将整个文本拆分为若干个词汇和标点符号,去停用词可以是根据分词结果,利用预设停用词表,将分词结果中没有实际意义的词语去除,筛选出具有实际意义的目标词汇。
在本公开实施例中,通过对文本进行分词、去停用词操作,筛选出具有实际意义的目标词汇,从而提升了后续分析文本立场的效率,提高了立场检测的准确度。
在本公开另一实施例中,获取到的文本中所包含的词汇的语义编码和特征信息,该特征信息还包括情感信息,在生成至少一个预设句式结构的短语之后,该立场检测方法还可以包括:利用预设情感极性字典对短语所包含的词汇进行情感分析;根据分析结果筛选出词汇包含有观点倾向的短语。
其中,预设情感极性字典可以是带有感情色彩的主观性文本集合,该主观性文本集合可以与预设立场观点所具有的感情色彩相对应,在此不作限制。
在本公开实施例中,利用预设情感极性字典对应短语所包含的词汇进行情感分析,经过归纳和推理,将带有预设立场观点感情色彩词汇的短语筛选出来,并将筛选出来的短语根据所包含的词汇的语义编码,生成带有观点倾向的短语的语义编码序列。
可选地,可以采用多头注意力的方法对各短语进行分析,从多个角度利用预设情感极性字典综合分析各短语的情感色彩,在此不作限制。
在本公开实施例中,通过对生成的短语进行情感分析,从而获得了具有预设立场观点情感色彩的短语,提高了后续对本报立场分析的准确度,同时,经过筛选剔除了不具有预设立场观点情感色彩的短语,提升了立场检测效率。
在本公开一些实施例中,该立场检测方法还可以包括:基于立场观点以及文本进行组合,得到带有立场观点的文本。
可选地,可以将立场观点与文本进行重新组合,组成“文本+立场”的文本结构。
可选地,可以将立场观点设置为三种对应的分值,即为赞同、中立、反对,分别对应分值1、0、-1,将对应的分值与文本组合成新的文本结构。
在本公开实施例中,通过将文本与立场观点组成的新的文本结构,从而能够更加清晰的得知文本的立场倾向,避免检测过后的文本与未检测文本的立场混淆。
本公开实施例还提供了一种立场检测装置,下面结合图2进行说明。
在本公开实施例中,该立场检测装置可以为电子设备。其中,电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA、PAD、PMP、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。
图2示出了本公开实施例提供的一种立场检测装置的结构示意图。
如图2所示,该基于立场检测装置200可以包括序列获取模块201、短语获取模块202、短语序列获取模块203、序列聚类模块204和观点确定模块205。
序列获取模块201,用于获取文本中包含的词汇的语义编码值和特征信息,特征信息包括词性信息;
短语获取模块202,用于根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语;
短语序列获取模块203,用于根据本种包含的词语的语义编码值生成短语的语义编码序列;
序列聚类模块204,用于基于短语的第一语义编码序列和预设的观点的第二语义编码序列,对短语和观点进行聚类;
观点确定模块205,用于根据聚类结果确定文本中包含的观点。
在本公开实施例中,通过获取文本中包含的词汇的语义编码和特征信息,根据文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语,并根据文本中包含的词汇的语义编码生成对应短语的语义编码序列,基于短语的第一语义编码序列和预设的观点的第二语义编码序列,对短语和观点进行聚类,根据聚类结果确定文本中包含的观点,实现了对文本所包含词汇的特征信息的综合分析,从而能够准确判断文本的立场观点。
在本公开一些实施例中,序列获取模块201,包括:
分词子模块,用于对文本进行分词操作;
去停用词子模块,用于根据分词操作结果进行去停用词处理,得到文本中包含的目标词汇。
在本公开一些实施例中,序列获取模块201,还包括:
第一编码子模块,用于利用预训练语言模型对文本中包含的词汇进行编码,获取文本中包含的词汇的语义编码;
特征信息获取子模块,用于基于预训练语言模型获取与语义编码所对应词汇的特征信息。
在本公开另一些实施例中,特征信息还包括情感信息,短语获取模块202,还包括:
情感分析子模块,用于利用预设情感极性字典对短语所包含的词汇进行情感分析;
短语筛选子模块,用于根据分析结果筛选出词汇包含有观点倾向的短语。
根据文本中包含的词汇的语义编码生成短语的语义编码序列,包括:
短语编码序列子模块,用于根据含有观点倾向的短语中包含的词汇的语义编码,生成短语的语义编码序列。
在本公开另一些实施例中,观点确定模块205,包括:
数量确认子模块,用于基于聚类结果获取具有观点倾向的短语的数量;
权重计算子模块,用于根据数量进行权重占比计算,得到数量占比最大的具有观点倾向的短语,以此确定文本中包含的观点。
在本公开另一些实施例中,文本检测装置200,还包括:
文本结构重组模块,用于对观点和文本进行组合,得到组合后的文本。
需要说明的是,图2所示的文本检测装置200可以执行图1所示的方法实施例中的各个步骤,并且实现图1所示的方法实施例中的各个过程和效果,在此不做赘述。
本公开实施例还提供一种计算机设备,该计算机设备包括处理器和存储器,其中,存储器中存储有计算机程序,当计算机程序被处理器执行时可以实现上述图1中任一实施例的方法。
示例的,图3是本公开实施例中的一种计算机设备的结构示意图。下面具体参考图3,其示出了适于用来实现本公开实施例中的计算机设备1000的结构示意图。本公开实施例中的计算机设备1000可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等可以利用移动网络传输数据的固定终端。图3示出的移计算机设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,计算机设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有移动终端设备1000操作所需的各种程序和数据。处理装置1001、ROM1002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。
通常,以下装置可以连接至I/O接口1005:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007;包括例如磁带、硬盘等的存储装置1008;以及通信装置1009。通信装置1009可以允许移动终端设备1000与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的计算机设备1000,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1009从网络上被下载和安装,或者从存储装置1008被安装,或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述移动终端设备中所包含的;也可以是单独存在,而未装配入该计算机设备中。
上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个计算机程序被该计算机设备执行时,使得该计算机设备:在移动终端设备的移动数据链路处于活跃状态时,检测移动数据链路的连通性;若检测到移动数据链路断流,则对移动数据链路进行重置。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
本公开实施例还提供一种计算机可读存储介质,所述存储介质中存储有计算机程序,当所述计算机程序被处理器执行时可以实现上述图1中任一实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
本公开实施例还提供一种计算机程序产品,该计算机程序产品中包括计算机程序,当该计算机程序被处理器执行时,使得处理器可以执行上述图1中任一实施例的方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种立场检测方法,其特征在于,包括:
获取文本中包含的词汇的语义编码和特征信息,所述特征信息包括词性信息;
根据所述文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语;
根据所述文本中包含的词汇的语义编码生成所述短语的语义编码序列;
基于所述短语的第一语义编码序列和预设的观点的第二语义编码序列,对所述短语和所述观点进行聚类;
根据聚类结果确定所述文本中包含的观点。
2.根据权利要求1所述的方法,其特征在于,所述获取文本中包含的词汇的语义编码和特征信息之前,包括:
对文本进行分词操作;
根据分词操作结果进行去停用词处理,得到所述文本中包含的目标词汇。
3.根据权利要求1所述的方法,其特征在于,所述获取文本中包含的词汇的语义编码和特征信息,包括:
利用预训练语言模型对所述文本中包含的词汇进行编码,获取文本中包含的词汇的语义编码;
基于预设字典获取与所述语义编码所对应词汇的特征信息。
4.根据权利要求1所述的方法,其特征在于,所述特征信息还包括情感信息,所述生成至少一个预设句式结构的短语之后,包括:
利用预设情感极性字典对所述短语所包含的词汇进行情感分析;
根据分析结果筛选出所述词汇包含有观点倾向的短语;
所述根据所述文本中包含的词汇的语义编码生成所述短语的语义编码序列,包括:
根据所述含有观点倾向的短语中包含的词汇的语义编码,生成所述短语的语义编码序列。
5.根据权利要求4所述的方法,其特征在于,所述根据聚类结果确定所述文本中包含的观点,包括:
基于所述聚类结果获取所述具有观点倾向的短语的数量;
根据所述数量进行权重占比计算,得到数量占比最大的所述具有观点倾向的短语,以此确定所述文本中包含的观点。
6.根据权利要求1所述的方法,其特征在于,还包括:
对所述观点和所述文本进行组合,得到组合后的文本。
7.一种立场检测装置,其特征在于,包括:
序列获取模块,用于获取文本中包含的词汇的语义编码值和特征信息,所述特征信息包括词性信息;
短语获取模块,用于根据所述文本中包含的词语的排列顺序以及词性,生成至少一个预设句式结构的短语;
短语序列获取模块,用于根据所述本种包含的词语的语义编码值生成所述短语的语义编码序列;
序列聚类模块,用于基于所述短语的编码序列和预设的观点的编码序列,对所述短语和所述观点进行聚类;
观点确定模块,用于根据聚类结果确定所述文本中包含的观点。
8.根据权利要求7所述的装置,所述序列获取模块,包括:
分词子模块,用于对文本进行分词操作;
去停用词子模块,用于根据分词操作结果进行去停用词处理,得到所述文本中包含的目标词汇。
9.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储可执行指令;
其中,所述处理器用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现上述权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得处理器实现上述权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210764767.6A CN115270717A (zh) | 2022-06-29 | 2022-06-29 | 一种立场检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210764767.6A CN115270717A (zh) | 2022-06-29 | 2022-06-29 | 一种立场检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270717A true CN115270717A (zh) | 2022-11-01 |
Family
ID=83762403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210764767.6A Pending CN115270717A (zh) | 2022-06-29 | 2022-06-29 | 一种立场检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270717A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306590A (zh) * | 2023-05-19 | 2023-06-23 | 大汉软件股份有限公司 | 一种知识驱动的特定话题的立场分析方法 |
CN116720812A (zh) * | 2023-08-11 | 2023-09-08 | 合肥恒艺德机械有限公司 | 一种基于数据编码的大数据智慧仓储管理系统 |
-
2022
- 2022-06-29 CN CN202210764767.6A patent/CN115270717A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306590A (zh) * | 2023-05-19 | 2023-06-23 | 大汉软件股份有限公司 | 一种知识驱动的特定话题的立场分析方法 |
CN116306590B (zh) * | 2023-05-19 | 2023-08-15 | 大汉软件股份有限公司 | 一种知识驱动的特定话题的立场分析方法 |
CN116720812A (zh) * | 2023-08-11 | 2023-09-08 | 合肥恒艺德机械有限公司 | 一种基于数据编码的大数据智慧仓储管理系统 |
CN116720812B (zh) * | 2023-08-11 | 2023-10-20 | 合肥恒艺德机械有限公司 | 一种基于数据编码的大数据智慧仓储管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027331B (zh) | 用于评估翻译质量的方法和装置 | |
CN110969012B (zh) | 文本纠错方法、装置、存储介质及电子设备 | |
CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN111767740B (zh) | 音效添加方法和装置、存储介质和电子设备 | |
WO2020182123A1 (zh) | 用于推送语句的方法和装置 | |
CN111563390B (zh) | 文本生成方法、装置和电子设备 | |
CN115270717A (zh) | 一种立场检测方法、装置、设备及介质 | |
WO2022166613A1 (zh) | 文本中角色的识别方法、装置、可读介质和电子设备 | |
CN111382261B (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
CN113094481A (zh) | 意图识别方法、装置、电子设备及计算机可读存储介质 | |
WO2022166621A1 (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
CN113505206B (zh) | 基于自然语言推理的信息处理方法、装置和电子设备 | |
CN112580343A (zh) | 模型生成方法、问答质量判断方法、装置、设备及介质 | |
CN114765025A (zh) | 语音识别模型的生成方法、识别方法、装置、介质及设备 | |
CN111555960A (zh) | 信息生成的方法 | |
CN115757756A (zh) | 内容检索方法、装置、介质及电子设备 | |
CN111737572B (zh) | 搜索语句生成方法、装置和电子设备 | |
CN110852043B (zh) | 一种文本转写方法、装置、设备及存储介质 | |
CN112182179B (zh) | 实体问答处理方法、装置、电子设备和存储介质 | |
CN111581455B (zh) | 文本生成模型的生成方法、装置和电子设备 | |
CN113345426B (zh) | 一种语音意图识别方法、装置及可读存储介质 | |
CN116827894B (zh) | 广播剧用户评论信息发送方法、装置、设备和介质 | |
CN116432650A (zh) | 文本处理方法、装置、可读介质及电子设备 | |
CN117216190A (zh) | 一种文本相关性确定方法、装置、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 |