CN116561320A - 一种汽车评论的分类方法、装置、设备及介质 - Google Patents
一种汽车评论的分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116561320A CN116561320A CN202310753260.5A CN202310753260A CN116561320A CN 116561320 A CN116561320 A CN 116561320A CN 202310753260 A CN202310753260 A CN 202310753260A CN 116561320 A CN116561320 A CN 116561320A
- Authority
- CN
- China
- Prior art keywords
- comment
- automobile
- text
- target
- car
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008451 emotion Effects 0.000 claims abstract description 87
- 238000013145 classification model Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012552 review Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002996 emotional effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000007935 neutral effect Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000288673 Chiroptera Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction 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
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F40/242—Dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种汽车评论的分类方法、装置、设备及介质。该方法包括:定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本;对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词;根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量;将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。采用上述技术方案,能够根据用户需求的评论类型对汽车评论进行分类,有效提高分类准确性。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种汽车评论的分类方法、装置、设备及介质。
背景技术
汽车设计师为了设计出更加符合消费者需求的汽车,时常会参考汽车相关网站以及论坛中消费者的评论。但网络上的海量评论中可能会掺杂着许多无意义的评论,例如,部分评论内容可能与用户对产品质量的期望相关,而设计师需要获取与产品功能相关的评论。
现有技术目前无法实现按照设计师需求将汽车评论进行分类,并且由于汽车领域的独特性,也无法使用传统的分类方法对汽车评论进行分类。
发明内容
本发明提供了一种汽车评论的分类方法、装置、设备及介质,能够根据用户需求的评论类型对汽车评论进行分类,有效提高分类准确性。
根据本发明的一方面,提供了一种汽车评论的分类方法,包括:
定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本;
对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词;
根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量;
将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
根据本发明的另一方面,提供了一种汽车评论的分类装置,包括:
目标汽车评论文本获取模块,用于定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本;
评论信息获取模块,用于对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词;
文本词向量获取模块,用于根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量;
汽车评论类型获取模块,用于将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
根据本发明的另一方面,提供了一种电子设备,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计算机程序,所述计算机程序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本发明任一实施例所述的汽车评论的分类方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的汽车评论的分类方法。
本发明实施例的技术方案,通过对汽车评论预处理获取目标汽车文本,对目标汽车文本进行解析获取情感方向以及至少一个评论关键词,进而结合汽车评论词典获取目标汽车评论文本的文本词向量,将文本词向量输入至汽车评论分类模型中获取汽车评论类型的方式,能够按照用户需求对汽车评论进行分类,有效提高了汽车评论分类的准确性,进而减少用户人工浏览评论的工作量,并能够高效的向用户提供不同类别的汽车评论。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种汽车评论的分类方法的流程图;
图2是根据本发明实施例二提供的另一种汽车评论的分类方法的流程图;
图3是根据本发明实施例二提供的另一种汽车评论的分类方法的流程图;
图4是根据本发明实施例三提供的一种汽车评论的分类装置的结构示意图;
图5是实现本发明实施例的汽车评论的分类方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种汽车评论的分类方法的流程图,本实施例可适用于将获取到的汽车评论按照评论类型进行分类的情况,该方法可以由汽车评论的分类装置来执行,该汽车评论的分类装置可以采用硬件和/或软件的形式实现,该汽车评论的分类装置可配置于具备数据处理功能的计算机或处理器中。如图1所示,该方法包括:
S110、定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本。
可选的,目标渠道可以包括能够获取汽车评论的渠道,且目标渠道内的评论主要为汽车领域的评论,例如汽车论坛、汽车网站等。
可选的,由于汽车评论中可能包含大量的与汽车评论无关的内容、错别字以及可能影响到分类的词汇,因此,需要对获取的汽车评论进行预处理。预处理可以包括但不限于分句处理、错别字纠正以及去除停用词。
可选的,目标汽车评论文本可以为对汽车评论进行预处理后获取的评论文本,目标汽车评论文本较为贴合用户期望的分类,且目标汽车评论文本中无错别字,无停用词。
S120、对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词。
可选的,可以通过Vader方法对目标汽车评论文本进行解析,以获取目标汽车评论文本的情感方向,可以通过将目标汽车评论文本中的分词与汽车评论词典进行比对匹配的方式,获取至少一个评论关键词。
可选的,目标汽车评论文本的情感方向可以包括积极、消极以及中性三个方向。Vader是一种情感分析方法,可以通过语法和句法线索来识别评论中的情绪强度。Vader可针对一条评论文本输出消极、积极、中性以及复合情感的四个情绪值,每个情绪值的取值范围在-1到1之间,-1可以代表非常负面,1可以代表非常正面。在获取评论文本的情绪值之后,可以利用复合情感的情绪值进行进一步判断,最终确定目标汽车评论文本的情感方向。
可选的,评论关键词可以理解为目标汽车评论文本中与汽车领域相关的词汇,且在其他的领域中意义不大的词汇,例如,座椅通风、方向盘加热等词汇。
可选的,在预先生成的汽车评论词典中,可以包括与评论分类相关的大部分词汇,可以通过与汽车评论词典进行比对,将汽车评论词典中存储的词汇作为评论关键词。
可选的,汽车评论词典中可以包括多个分类词典,每个分类词典与用户期望的一个评论类别相对应,每个分类词典中存储有多个与该评论类别匹配的词汇。
S130、根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量。
可选的,不同的分类词典中的单次可以具有不同的权重,在确定目标汽车评论文本中的关键词之后,可以根据各关键词所属的权重,对各关键词进行加权处理。
可选的,在对目标汽车评论文本中的关键词进行加权处理之后,还可以将目标汽车文本的情感方向词加入到目标汽车评论文本中,例如,当情感方向为积极,可以将“积极”这个词汇,加入到已经进行加权处理的目标汽车评论文本中。
可选的,在情感方向词添加之后,可以计算当前的目标汽车评论文本的词频逆文本频率指数值,并将计算结果作为文本词向量。
S140、将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
可选的,汽车评论类型可以由用户根据需求确定,汽车评论类型可以包括性能问题、错误报告、特征请求以及用户抱怨,但不限于上述类型。
可选的,在将目标汽车评论文本的文本词向量输入至汽车评论分类模型中之后,汽车评论分类模型可以输出各汽车评论类型的分类值,其中,分类值最大的汽车评论类型,可以作为与目标汽车评论文本匹配的汽车评论类型。
本发明实施例的技术方案,通过对汽车评论预处理获取目标汽车文本,对目标汽车文本进行解析获取情感方向以及至少一个评论关键词,进而结合汽车评论词典获取目标汽车评论文本的文本词向量,将文本词向量输入至汽车评论分类模型中获取汽车评论类型的方式,能够按照用户需求对汽车评论进行分类,有效提高了汽车评论分类的准确性,进而减少用户人工浏览评论的工作量,并能够高效的向用户提供不同类别的汽车评论。
实施例二
图2为本发明实施例二提供的一种汽车评论的分类方法的流程图,本实施例在上述实施例的基础上,具体说明了汽车评论词典以及汽车评论分类模型的获取过程。如图2所示,该方法包括:
S210、在预先生成的汽车评论语料库中随机抽取多条样本评论,并根据各样本评论的标签信息确定各样本评论所属的评论类别。
可选的,汽车评论语料库中可以存储由用户收集的多种类型的汽车评论,汽车评论语料库中的各汽车评论可以通过标签形式标注其评论类别,标签可以由用户进行手动批注,以增加评论类别的准确性。
可选的,样本评论可以在汽车评论语料库中随机抽取,抽取数量可由用户确定。
S220、获取用户筛选出的各样本评论的种子词。
其中,样本评论的种子词与样本评论所属的评论类别相匹配。
可以理解的是,样本评论的种子词可以与样本评论的评论类别具有对应关系,例如,当样本评论属于性能问题类时,种子词可以为加速时间、自动避让等于性能问题相关的词汇,但上述词汇仅用于举例说明,并不对种子词进行具体限定。
S230、对种子词进行扩充,并利用扩充后的词汇填充与种子词所属评论类别相同的分类词典。
可选的,可以通过词典和词嵌入两种获取词汇之间相似度的方法,自动扩充各分类词典。例如,可以通过Wordnet方法以及Word2vec方法进行分类词典的扩充。
S240、将各分类词典进行汇总,生成汽车评论词典。
S250、获取待优化的汽车评论分类模型和与汽车评论分类模型匹配的标准验证样本集,标准验证样本中包括多个样本评论的文本词向量和标准汽车评论分类结果。
可选的,在本发明实施例中选用SVM(Support Vector Machine,支持向量机)作为汽车评论分类模型,SVM为一种能够解决二分类问题的支持向量机。
在标准验证样本集中,每个标准验证样本中可以包括多个样本评论的文本词向量和标准汽车评论分类结果。
S260、基于蝙蝠算法设置参数,采用蝙蝠算法进行蝙蝠群体的多轮迭代处理。
其中,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对汽车评论分类模型进行更新后,以将标准验证样本集输入至各更新后汽车评论分类模型的适应度为评价指标,在各蝙蝠中识别局部最优蝙蝠,并使用局部最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数。
其中,蝙蝠算法设置参数包括蝙蝠群体个数、最大迭代次数、蝙蝠初始位置、蝙蝠初始速度以及适应度函数。
其中,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对汽车评论分类模型进行更新后,以标准验证样本集输入至各更新后汽车评论分类模型的适应度为评价指标,在各蝙蝠中识别最优蝙蝠,并使用最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数。
可以理解的是,本发明实施例所提出的蝙蝠中包括惩罚因子和高斯核函数,即蝙蝠坐标由惩罚因子和高斯核函数组成。采用蝙蝠算法对蝙蝠群体进行迭代的过程,可理解为对惩罚因子和高斯核函数进行优化的过程。每个蝙蝠群体可以包含多个蝙蝠,即每个蝙蝠群体可代表多组不同的惩罚因子和高斯核函数。
S270、当满足蝙蝠迭代结束条件时,根据标准验证样本集计算汽车评论分类模型针对各蝙蝠的最终适应度值,并将最终适应度值最高的蝙蝠作为全局最优蝙蝠。
在一个具体的实施方式中,当已到达预设的最大迭代次数,且蝙蝠群体中存在适应度值大于预设的最小适应度值时,可视为满足蝙蝠迭代结束条件。可选的,还可以生成随机数,并将随机数与脉冲发射率之间的关系作为蝙蝠迭代结束条件之一。
S280、利用全局最优蝙蝠对汽车评论分类模型进行更新,得到优化后汽车评论分类模型。
S290、定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本。
S2100、对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词。
S2110、根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量。
S2120、将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
本发明实施例的技术方案,通过将种子词进行扩充以生成分类词典,进而生成汽车评论词典的方式,能够使得汽车评论词典中的词汇更加贴近汽车评论领域内的词汇,且提高词汇量,同时,通过利用标准验证样本集并基于蝙蝠算法对蝙蝠群体进行多轮迭代,以实现对汽车评论分类模型进行优化的方式,能够有效提高优化后的汽车评论分类模型的准确率。
实施例三
图3为本发明实施例三提供的一种汽车评论的分类方法的流程图,本实施例在上述实施例的基础上,具体说明了汽车评论的分类方法。如图3所示,该方法包括:
S310、定时捕捉目标渠道内的汽车评论,并根据当前捕捉到的汽车评论的各分句语义,将当前捕捉到的汽车评论划分为至少一个评论分句。
可选的,对汽车评论进行分句,可以将汽车评论划分为多个包含不同目的的分句,例如,在一条较长的汽车评论中,可能包括消费者的抱怨、对汽车的功能评价、外观评价以及质量要求等信息。根据各分句语义,可以确定消费者评论中各分句的目的,从而将汽车评论划分为多个目的不同的评论分句,并在其中挑选设计师需要的目标评论分句。
S320、在各评论分句中选取目标评论分句,并对目标评论分句进行错别字纠正以及去除停用词处理,将处理后的目标评论分句作为目标汽车评论文本。
可选的,目标评论分句的语义可以与用户的需求相匹配。例如,设计师希望获取有关汽车功能的评论,因此,可将语义与汽车功能相关的分句作为目标评论分句。
可选的,错别字纠正可理解为将形似或音似的错别字,纠正为正确文字。
可选的,为了减少分类器必须处理的词向量,可以采用文本缩减策略将可能会对分类器的预测能力产生负面影响的信息删除。进一步的,可以选用自然语言处理工具包自带的停用词表,将被认为通用的词汇删除。
S330、根据Vader方法,获取与目标汽车评论文本匹配的复合情感的情绪值。
S340、根据用户预设的情感划分公式以及复合情感的情绪值,确定目标汽车评论文本的情感方向。
在一个可选的例子中,情感划分公式可以为:
其中,sentiment可以代表情感方向,positive可以代表积极情感,negative可以代表消极情感,neutral可以代表中性情感,s可以代表复合情感的情绪值。
可以理解的是,上述情感划分公式的含义为:当复合情感的情绪值大于等于0.5时,情感方向为积极;当复合情感的情绪值小于等于-0.5时,情感方向为消极;当复合情感的情绪值小于0.5且大于-0.5时,情感方向为中性。
S350、获取目标汽车评论文本中的各分词,并将目标汽车评论文本中的各分词与汽车评论词典中各词汇进行匹配。
S360、将目标汽车评论文本中与汽车评论词典匹配成功的分词作为评论关键词。
S370、根据所述汽车评论词典以及评论关键词,确定与目标汽车评论文本匹配的目标分类词典,并获取与目标分类词典匹配的关键词权重。
S380、根据所述关键词权重,对目标汽车评论文本的评论关键词进行加权处理,获取加权评论文本。
可选的,加权处理可以理解为将关键词权重加入到评论关键词中,以使得在后续的词向量计算过程中,能同时考虑到评论关键词以及其关键词权重。
S390、获取与目标汽车评论文本的情感方向匹配的情感描述词汇,并将所述情感描述词汇添加至加权评论文本中,获取加权情感评论文本。
S3100、计算加权情感评论文本的词频逆文本频率指数值,并将词频逆文本频率指数值作为目标汽车评论文本的文本词向量。
S3110、将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取各汽车评论类型的分类值。
S3120、比较各汽车评论类型的分类值,并获取分类值最大的汽车评论类型,作为与目标汽车评论文本匹配的评论类型。
本发明实施例的技术方案,通过对汽车评论预处理获取目标汽车文本,对目标汽车文本进行解析获取情感方向以及至少一个评论关键词,进而结合汽车评论词典获取目标汽车评论文本的文本词向量,将文本词向量输入至汽车评论分类模型中获取汽车评论类型的方式,能够按照用户需求对汽车评论进行分类,有效提高了汽车评论分类的准确性,进而减少用户人工浏览评论的工作量,并能够高效的向用户提供不同类别的汽车评论。
实施例四
图4为本发明实施例四提供的一种汽车评论的分类装置的结构示意图。如图4所示,该装置包括:目标汽车评论文本获取模块410、评论信息获取模块420、文本词向量获取模块430以及汽车评论类型获取模块440。
目标汽车评论文本获取模块410,用于定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本。
评论信息获取模块420,用于对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词。
文本词向量获取模块430,用于根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量。
汽车评论类型获取模块440,用于将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
本发明实施例的技术方案,通过对汽车评论预处理获取目标汽车文本,对目标汽车文本进行解析获取情感方向以及至少一个评论关键词,进而结合汽车评论词典获取目标汽车评论文本的文本词向量,将文本词向量输入至汽车评论分类模型中获取汽车评论类型的方式,能够按照用户需求对汽车评论进行分类,有效提高了汽车评论分类的准确性,进而减少用户人工浏览评论的工作量,并能够高效的向用户提供不同类别的汽车评论。
在上述各实施例的基础上,目标汽车评论文本获取模块410,可以具体用于:
根据当前捕捉到的汽车评论的各分句语义,将当前捕捉到的汽车评论划分为至少一个评论分句;
在各评论分句中选取目标评论分句,并对目标评论分句进行错别字纠正以及去除停用词处理,将处理后的目标评论分句作为目标汽车评论文本。
在上述各实施例的基础上,还可以包括汽车评论词典生成模块,具体用于:
在预先生成的汽车评论语料库中随机抽取多条样本评论,并根据各样本评论的标签信息确定各样本评论所属的评论类别;
获取用户筛选出的各样本评论的种子词;其中,样本评论的种子词与样本评论所属的评论类别相匹配;
对种子词进行扩充,并利用扩充后的词汇填充与种子词所属评论类别相同的分类词典;
将各分类词典进行汇总,生成汽车评论词典。
在上述各实施例的基础上,评论信息获取模块420,可以具体用于:
根据Vader,获取与目标汽车评论文本匹配的复合情感的情绪值;
根据用户预设的情感划分公式以及复合情感的情绪值,确定目标汽车评论文本的情感方向;
获取目标汽车评论文本中的各分词,并将目标汽车评论文本中的各分词与汽车评论词典中各词汇进行匹配;
将目标汽车评论文本中与汽车评论词典匹配成功的分词作为评论关键词。
在上述各实施例的基础上,文本词向量获取模块430,可以具体用于:
根据所述汽车评论词典以及评论关键词,确定与目标汽车评论文本匹配的目标分类词典,并获取与目标分类词典匹配的关键词权重;
根据所述关键词权重,对目标汽车评论文本的评论关键词进行加权处理,获取加权评论文本;
获取与目标汽车评论文本的情感方向匹配的情感描述词汇,并将所述情感描述词汇添加至加权评论文本中,获取加权情感评论文本;
计算加权情感评论文本的词频逆文本频率指数值,并将词频逆文本频率指数值作为目标汽车评论文本的文本词向量。
在上述各实施例的基础上,汽车评论类型获取模块440,可以具体用于:
将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取各汽车评论类型的分类值;
比较各汽车评论类型的分类值,并获取分类值最大的汽车评论类型,作为与目标汽车评论文本匹配的评论类型。
在上述各实施例的基础上,还可以包括汽车评论分类模型训练模块,具体用于:
获取待优化的汽车评论分类模型和与汽车评论分类模型匹配的标准验证样本集,标准验证样本中包括多个样本评论的文本词向量和标准汽车评论分类结果;
基于蝙蝠算法设置参数,采用蝙蝠算法进行蝙蝠群体的多轮迭代处理;
其中,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对汽车评论分类模型进行更新后,以将标准验证样本集输入至各更新后汽车评论分类模型的适应度为评价指标,在各蝙蝠中识别局部最优蝙蝠,并使用局部最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数;蝙蝠算法设置参数包括蝙蝠群体个数、最大迭代次数、蝙蝠初始位置、蝙蝠初始速度以及适应度函数;
当满足蝙蝠迭代结束条件时,根据标准验证样本集计算汽车评论分类模型针对各蝙蝠的最终适应度值,并将最终适应度值最高的蝙蝠作为全局最优蝙蝠;
利用全局最优蝙蝠对汽车评论分类模型进行更新,得到优化后汽车评论分类模型。
本发明实施例所提供的汽车评论的分类装置可执行本发明任意实施例所提供的汽车评论的分类方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如如本发明实施例所述的汽车评论的分类方法。也即:
定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本;
对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词;
根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量;
将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
在一些实施例中,汽车评论的分类方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的汽车评论的分类方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行汽车评论的分类方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种汽车评论的分类方法,其特征在于,包括:
定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本;
对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词;
根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量;
将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
2.根据权利要求1所述的方法,其特征在于,对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本,包括:
根据当前捕捉到的汽车评论的各分句语义,将当前捕捉到的汽车评论划分为至少一个评论分句;
在各评论分句中选取目标评论分句,并对目标评论分句进行错别字纠正以及去除停用词处理,将处理后的目标评论分句作为目标汽车评论文本。
3.根据权利要求1所述的方法,其特征在于,在定时捕捉目标渠道内的汽车评论之前,还包括:
在预先生成的汽车评论语料库中随机抽取多条样本评论,并根据各样本评论的标签信息确定各样本评论所属的评论类别;
获取用户筛选出的各样本评论的种子词;其中,样本评论的种子词与样本评论所属的评论类别相匹配;
对种子词进行扩充,并利用扩充后的词汇填充与种子词所属评论类别相同的分类词典;
将各分类词典进行汇总,生成汽车评论词典。
4.根据权利要求3所述的方法,其特征在于,对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词,包括:
根据情绪分析方法Vader,获取与目标汽车评论文本匹配的复合情感的情绪值;
根据用户预设的情感划分公式以及复合情感的情绪值,确定目标汽车评论文本的情感方向;
获取目标汽车评论文本中的各分词,并将目标汽车评论文本中的各分词与汽车评论词典中各词汇进行匹配;
将目标汽车评论文本中与汽车评论词典匹配成功的分词作为评论关键词。
5.根据权利要求4所述的方法,其特征在于,根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量,包括:
根据所述汽车评论词典以及评论关键词,确定与目标汽车评论文本匹配的目标分类词典,并获取与目标分类词典匹配的关键词权重;
根据所述关键词权重,对目标汽车评论文本的评论关键词进行加权处理,获取加权评论文本;
获取与目标汽车评论文本的情感方向匹配的情感描述词汇,并将所述情感描述词汇添加至加权评论文本中,获取加权情感评论文本;
计算加权情感评论文本的词频逆文本频率指数值,并将词频逆文本频率指数值作为目标汽车评论文本的文本词向量。
6.根据权利要求1所述的方法,其特征在于,将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型,包括:
将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取各汽车评论类型的分类值;
比较各汽车评论类型的分类值,并获取分类值最大的汽车评论类型,作为与目标汽车评论文本匹配的评论类型。
7.根据权利要求3所述的方法,其特征在于,在定时捕捉目标渠道内的汽车评论之前,还包括:
获取待优化的汽车评论分类模型和与汽车评论分类模型匹配的标准验证样本集,标准验证样本中包括多个样本评论的文本词向量和标准汽车评论分类结果;
基于蝙蝠算法设置参数,采用蝙蝠算法进行蝙蝠群体的多轮迭代处理;
其中,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对汽车评论分类模型进行更新后,以将标准验证样本集输入至各更新后汽车评论分类模型的适应度为评价指标,在各蝙蝠中识别局部最优蝙蝠,并使用局部最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数;蝙蝠算法设置参数包括蝙蝠群体个数、最大迭代次数、蝙蝠初始位置、蝙蝠初始速度以及适应度函数;
当满足蝙蝠迭代结束条件时,根据标准验证样本集计算汽车评论分类模型针对各蝙蝠的最终适应度值,并将最终适应度值最高的蝙蝠作为全局最优蝙蝠;
利用全局最优蝙蝠对汽车评论分类模型进行更新,得到优化后汽车评论分类模型。
8.一种汽车评论的分类装置,其特征在于,包括:
目标汽车评论文本获取模块,用于定时捕捉目标渠道内的汽车评论,并对当前捕捉到的汽车评论进行预处理操作,获取目标汽车评论文本;
评论信息获取模块,用于对目标汽车评论文本进行解析,确定目标汽车评论文本的情感方向以及至少一个评论关键词;
文本词向量获取模块,用于根据预先生成的汽车评论词典、目标汽车评论文本的情感方向以及至少一个评论关键词,获取目标汽车评论文本的文本词向量;
汽车评论类型获取模块,用于将目标汽车评论文本的文本词向量输入至预先训练的汽车评论分类模型中,获取与目标汽车评论文本匹配的汽车评论类型。
9.一种计算机设备,其特征在于,所述计算机设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的汽车评论的分类方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的汽车评论的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753260.5A CN116561320A (zh) | 2023-06-25 | 2023-06-25 | 一种汽车评论的分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753260.5A CN116561320A (zh) | 2023-06-25 | 2023-06-25 | 一种汽车评论的分类方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116561320A true CN116561320A (zh) | 2023-08-08 |
Family
ID=87493161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753260.5A Pending CN116561320A (zh) | 2023-06-25 | 2023-06-25 | 一种汽车评论的分类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561320A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992035A (zh) * | 2023-09-27 | 2023-11-03 | 湖南正宇软件技术开发有限公司 | 一种提案智能分类的方法、装置、计算机设备和介质 |
-
2023
- 2023-06-25 CN CN202310753260.5A patent/CN116561320A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992035A (zh) * | 2023-09-27 | 2023-11-03 | 湖南正宇软件技术开发有限公司 | 一种提案智能分类的方法、装置、计算机设备和介质 |
CN116992035B (zh) * | 2023-09-27 | 2023-12-08 | 湖南正宇软件技术开发有限公司 | 一种提案智能分类的方法、装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363790B (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
US11620450B2 (en) | Deep learning based text classification | |
CN108121700B (zh) | 一种关键词提取方法、装置及电子设备 | |
CN103336766B (zh) | 短文本垃圾识别以及建模方法和装置 | |
CN105069143B (zh) | 提取文档中关键词的方法及装置 | |
CN104881458B (zh) | 一种网页主题的标注方法和装置 | |
CN110334209B (zh) | 文本分类方法、装置、介质及电子设备 | |
CN110083832B (zh) | 文章转载关系的识别方法、装置、设备及可读存储介质 | |
CN105512110B (zh) | 一种基于模糊匹配与统计的错字词知识库构建方法 | |
WO2014022172A2 (en) | Information classification based on product recognition | |
CN112579729B (zh) | 文档质量评价模型的训练方法、装置、电子设备和介质 | |
CN110134950B (zh) | 一种字词结合的文本自动校对方法 | |
CN116561320A (zh) | 一种汽车评论的分类方法、装置、设备及介质 | |
CN113806483B (zh) | 数据处理方法、装置、电子设备及计算机程序产品 | |
CN111475651A (zh) | 文本分类方法、计算设备及计算机存储介质 | |
CN109753646B (zh) | 一种文章属性识别方法以及电子设备 | |
CN110728131A (zh) | 一种分析文本属性的方法和装置 | |
CN117216275A (zh) | 一种文本处理方法、装置、设备以及存储介质 | |
CN109344397B (zh) | 文本特征词语的提取方法及装置、存储介质及程序产品 | |
CN114201607B (zh) | 一种信息处理的方法和装置 | |
CN116226533A (zh) | 基于关联性预测模型的新闻关联推荐方法、装置及介质 | |
CN115577109A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN115017987A (zh) | 语言模型微调方法、文本分类方法、装置及设备 | |
CN114329206A (zh) | 标题生成方法和装置、电子设备、计算机可读介质 | |
CN113255334A (zh) | 一种计算字向量方法、系统、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 |