CN116860976A - 文本属性级情感分类方法、装置、电子设备及存储介质 - Google Patents
文本属性级情感分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116860976A CN116860976A CN202310869693.7A CN202310869693A CN116860976A CN 116860976 A CN116860976 A CN 116860976A CN 202310869693 A CN202310869693 A CN 202310869693A CN 116860976 A CN116860976 A CN 116860976A
- Authority
- CN
- China
- Prior art keywords
- attribute
- word
- text data
- words
- vectors
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 225
- 230000015654 memory Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种文本属性级情感分类方法、装置、设备及介质。该方法包括获取待分析的文本数据,文本数据包括多个句子;根据文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成文本数据中每个词对应的属性句法距离向量;根据文本数据中包含的属性相关词,生成属性相关词对应的词向量;根据文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及属性词的词向量,确定文本数据中一个或多个属性词相关句的句子向量;根据文本数据中一个或多个属性词相关句的句子向量,确定文本数据的属性级情感分类结果。本公开能够有效利用未经人工标注的信息,以提升属性级情感分类模型的可扩展性和泛化能力。
Description
技术领域
本公开涉及情感分析技术领域,尤其涉及一种文本属性级情感分类方法、装置、电子设备及存储介质。
背景技术
文本数据的属性级情感分类是一种细粒度的情感分类任务,旨在识别文本中人们对同一实体的特定方面的情感倾向。其中,属性类别抽取式属性级情感分析的关键子任务,旨在识别句子中情感表述对象所对应的属性类别。
传统的统计机器学习方法已经脱离了早期利用规则和相关字典来识别句子中属性类别的方法,采用例如支持向量机、隐含狄利克雷分布LDA模型等,在小规模数据集上具有良好的表现。但传统的统计机器学习方法严重依赖于人工设计的特征的质量,耗时耗力的同时还要求标注着具有一定的领域知识。
随着深度学习的发展,深度神经网络在属性级情感分析中取得了较好的表现,例如循环神经网络RNN、长短期记忆网络LSTM、门循环控制单元GRU等,其主要优点是能够自动地学习任务相关的抽象向量,无需人工设计特征,但在利用大量的非标注数据和建模属性词相关的情感语义方面仍存在一些不足。例如,现有的属性级情感分类方法大多是监督式学习方法,大量的非标注数据(即未进行人工标注的数据)在属性级情感分类中尚未得到有效利用,较难应用于标签数据不足或者缺失的场景中;而现有的非监督属性级情感分类方法尚未有效地利用和建模属性词相关的句法距离信息,且在建模和捕捉属性词相关的情感语义信息上的能力存在不足。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种文本属性级情感分类方法、装置、电子设备及存储介质,至少在一定程度上克服相关技术中基于机器学习的属性分类方法需要依赖大量人工标注数据,存在耗时耗力的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供了一种文本属性级情感分类方法,包括:获取待分析的文本数据,所述文本数据包括多个句子,其中,每个句子包括多个词;根据所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成所述文本数据中每个词对应的属性句法距离向量;根据文本数据中包含的属性相关词,生成所述属性相关词对应的词向量,其中,所述属性相关词为所述文本数据中与预先定义的属性词满足预设相似度条件的一个或多个词;根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定所述文本数据中一个或多个属性词相关句的句子向量,其中,所述属性词相关句为所述文本数据中包含了与属性词具有语义关联关系的一个或多个词的句子;根据所述文本数据中一个或多个属性词相关句的句子向量,确定所述文本数据的属性级情感分类结果。
在一些实施例中,根据所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离,包括:通过依存句法分析方法,得到所述文本数据中每个词与预先定义的各个属性词之间的连接关系;根据所述文本数据中每个词与预先定义的各个属性词之间的连接关系,确定所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离。
在一些实施例中,通过如下公式计算所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离:
其中,di表示属性句法距离,Ai表示在句子的依存句法图中,句子中第i个词与属性词是否有直接的连接关系,Ai=1表示第i个词与属性词存在直接连接的边,Ai=0表示第i个词与属性词不存在直接连接的边,li表示第i个词能够连接到的所有属性词的最小跳数,max(li,0)表示取li与0之间的最大值。
在一些实施例中,在根据文本数据中包含的属性相关词,生成所述属性相关词对应的词向量之前,所述方法还包括:根据预先定义的属性词,定义所述预先定义的属性词对应的属性类别;计算文本数据中每个词与所述属性类别的余弦相似度;按照从大到小的顺序对所述文本数据中每个词与所述属性类别的余弦相似度进行排序;获取余弦相似度在预设排名之前的词,作为所述文本数据中包含的属性相关词。
在一些实施例中,所述计算文本数据中的词与所述属性类别的余弦相似度,包括:从所述文本数据中筛选出满足预设出现次数的词;计算所述满足预设出现次数的词与所述属性类别的余弦相似度。
在一些实施例中,根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定所述文本数据中一个或多个属性词相关句的句子向量,包括:基于注意力机制,根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,生成所述文本数据中一个或多个属性词相关句的句子向量。
在一些实施例中,根据所述文本数据中一个或多个属性词相关句的句子向量,确定所述文本数据的属性级情感分类结果,包括:获取预先定义的情感类别标签;根据所述情感类别标签,生成所述情感类别标签对应的情感类别向量;计算所述文本数据中一个或多个属性词相关句的句子向量与所述情感类别向量的余弦相似度;根据所述文本数据中一个或多个属性词相关句的句子向量与所述情感类别向量的余弦相似度,确定所述文本数据的属性级情感分类结果。
根据本公开的另一个方面,还提供了一种文本属性级情感分类装置,包括:文本数据获取模块,用于获取待分析的文本数据,所述文本数据包括多个句子,其中,每个句子包括多个词;属性句法距离向量生成模块,用于根据所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成所述文本数据中每个词对应的属性句法距离向量;属性相关词向量生成模块,用于根据文本数据中包含的属性相关词,生成所述属性相关词对应的词向量,其中,所述属性相关词为所述文本数据中与预先定义的属性词满足预设相似度条件的一个或多个词;属性词相关句向量生成模块,用于根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定所述文本数据中一个或多个属性词相关句的句子向量,其中,所述属性词相关句为所述文本数据中包含了与属性词具有语义关联关系的一个或多个词的句子;情感分类结果确定模块,用于根据所述文本数据中一个或多个属性词相关句的句子向量,确定所述文本数据的属性级情感分类结果。
根据本公开的另一个方面,还提供了一种电子设备,该电子设备包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的文本属性级情感分类方法。
根据本公开的另一个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的文本属性级情感分类方法。
根据本公开的另一个方面,还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任意一项的文本属性级情感分类方法。
本公开的实施例中提供的文本属性级情感分类方法、装置、电子设备及存储介质,结合文本数据中的词与预先定义的属性词生成属性句法距离向量,属性相关词生成属性相关词对应的词向量,文本数据中每个词的词向量以及属性词的词向量,确定属性词相关句的句子向量,并根据属性词相关句的句子向量确定文本数据的属性级情感分类结果。本公开有效利用了未经人工标注的信息对文本情感进行分析,从中获取属性词隐藏的情感信息,以提升模型的可扩展性和泛化能力,使其能够用于标注数据不足或缺失的场景中,同时减少了人力的消耗,提高了计算效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
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。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开实施例中一种文本属性级情感分类方法流程图;
图2示出本公开实施例中一种属性相关词抽取策略方法流程图;
图3示出本公开实施例中一种文本属性情感分类算法流程图;
图4示出本公开实施例中一种文本属性情感分类方法流程图;
图5示出本公开实施例中一种文本属性级情感分类装置示意图;
图6示出本公开实施例中一种电子设备的框图;
图7示出本公开实施例中一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图,对本公开实施例的具体实施方式进行详细说明。
图1示出本公开实施例中一种文本属性级情感分类方法流程图,如图1所示,该方法包括如下步骤:
S102,获取待分析的文本数据,文本数据包括多个句子,其中,每个句子包括多个词。
在本公开的一个实施例中,待分析的文本数据可为研究人员直接输入的或者是模型从其他途径直接获取的文本片段,例如文章、短句等,文本数据中可包含多个句子,每个句子可包含多个词。
S104,根据文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成文本数据中每个词对应的属性句法距离向量。
在本公开的一个实施例中,属性词可以是预先设定的词,是一种包含特征的实体。每个词对应的属性句法距离是指在根据依存句法分析得到句子的依存句法图后,每个词与属性词之间的相对距离。依存句法分析通过分析句子中词语之间的依存关系来确定句子的句法结构。
S106,根据文本数据中包含的属性相关词,生成属性相关词对应的词向量,其中,属性相关词为文本数据中与预先定义的属性词满足预设相似度条件的一个或多个词。
在本公开的一个实施例中,属性相关词可指文本数据中与属性词相关的词语,可通过属性相关词抽取策略从文本数据中抽出。
S108,根据文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定文本数据中一个或多个属性词相关句的句子向量,其中,属性词相关句为文本数据中包含了与属性词具有语义关联关系的一个或多个词的句子。
在本公开的一个实施例中,属性词相关句可指文本数据中包含和属性词具有语义关联关系的词的句子。预先定义的属性词的词向量为将所有属性词的词向量进行平均池化后,得到的结果作为最终用于计算的属性词的词向量。
S110,根据文本数据中一个或多个属性词相关句的句子向量,确定文本数据的属性级情感分类结果。
由上述可知,本公开实施例中的方法结合文本数据中的词与预先定义的属性词生成属性句法距离向量,属性相关词生成属性相关词对应的词向量,文本数据中每个词的词向量以及属性词的词向量,确定属性词相关句的句子向量,并根据属性词相关句的句子向量确定文本数据的属性级情感分类结果。本公开有效利用了未经人工标注的信息对文本情感进行分析,从中获取属性词隐藏的情感信息,以提升模型的可扩展性和泛化能力,使其能够用于标注数据不足或缺失的场景中,同时减少了人力的消耗,提高了计算效率。
在本公开的一个实施例中,给定的句子上下文可为S={w1,w2,...,wn},其中,S表示当前句子的上下文,wn表示当前句子中的第n个词,给定的属性词可为Asp={asp1,asp2,...,aspm},其中,Asp表示属性词的集合,aspm表示第m个属性词,使用全局词向量(Global Vectors for Word Representation,GloVe)嵌入方式进行映射,得到句子中每个词的词向量其中,Hs表示句子中词向量的集合,/>表示当前句子中第n个词的词向量,属性词中每个词的词向量/>其中,Ha表示属性词中词向量的集合,/>表示属性词中第m个词的词向量。对属性词的所有词向量进行平均池化,得到整体属性词的词向量ha。
需要说明的是,还可采用其他词嵌入方式进行映射,例如,此处可采用词向量(Word Embeddings,Word2Vec)嵌入方式进行词嵌入,本公开实施例对此不做具体限定。使用GloVe词嵌入方式的优势是该词向量已经开源,可随时下载,不用再重新进行训练得到,同时大多数工作中也基本都是采用的GloVe词嵌入方式。
需要说明的是,还可使用长短期记忆网络(Long Short-Term Memory,LSTM)结合注意力机制的方式获得属性词的整体向量,本公开实施例对此不做具体限定。采用平均池化的方式较为简单快捷,不会引入额外复杂的计算和操作,采用其他方式可能使模型结构及计算过程变得复杂。
在本公开的一个实施例中,通过依存句法分析方法,得到文本数据中每个词与预先定义的各个属性词之间的连接关系;根据文本数据中每个词与预先定义的各个属性词之间的连接关系,确定文本数据中每个词与预先定义的各个属性词之间的属性句法距离。使得模型能够关注于在句法结构上与属性词的情感信息更相关的词,提升了模型对句子中不同属性词的情感信息的编码能力。
需要说明的是,可通过开箱即用的句法解析工具进行依存句法分析以得到依存句法结构图,例如斯坦福自然语言处理Python工具包Stanza,本公开实施例对此不做具体限定。
在本公开的一个实施例中,通过如下公式计算文本数据中每个词与预先定义的各个属性词之间的属性句法距离:
其中,di表示属性句法距离,Ai表示在句子的依存句法图中,句子中第i个词与属性词是否有直接的连接关系,Ai=1表示第i个词与属性词存在直接连接的边,Ai=0表示第i个词与属性词不存在直接连接的边,li表示第i个词能够连接到的属性词的最小跳数,max(li,0)表示取li与0之间的最大值。
例如,若第i个词能够通过另一个词连接到属性词,此时跳数为2,若该词也能够通过另一个不同的词连接到当前属性词,此时跳数为3,若该词还可通过另外两个不同的词连接到另一属性词,此时跳数为4,则该词与属性词之间的跳数应为2,即li=2。若第i个词与属性词没有相关连接,则li=-1。
本公开的一个实施例中,可通过矩阵句嵌入方式Esyn进行映射,其中syn即为syntax表示句法,Esyn可通过均值为0,方差为1的高斯分布进行初始化。由此生成句子中每个词的属性句法距离向量其中,/>表示句子中第n个词对应的属性句法距离向量。
在本公开的一个实施例中,根据预先定义的属性词,定义预先定义的属性词对应的属性类别;计算文本数据中每个词与属性类别的余弦相似度;按照从大到小的顺序对文本数据中每个词与属性类别的余弦相似度进行排序;获取余弦相似度在预设排名之前的词,作为文本数据中包含的属性相关词。
需要说明的是,预设排名为模型训练前预先设定的参数,可根据实际效果进行调整,本公开实施例对此不做具体限定。
在本公开的一个实施例中,从文本数据中筛选出满足预设出现次数的词;计算满足预设出现次数的词与属性类别的余弦相似度。
需要说明的是,预设出现次数模型训练前预先设定的参数,本公开实施例中预设出现次数可设为2,本公开实施例对此不做具体限定。当预设出现次数为1时,会引入一些无关词作为噪声产生影响;而预设出现次数的值越大,则选取的词将会越少,当预设出现次数设为2时,可以尽可能包含多的词并去除一些无关紧要的词。
在本公开的一个实施例中,基于注意力机制,根据文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,生成文本数据中一个或多个属性词相关句的句子向量。由此可以进一步提升属性泛化能力,能够生成更精确的属性词相关的句子表征,提升模型的表示能力,从而进一步提升模型的表现
本公开的一个实施例中,可通过如下公式计算属性词相关句的句子向量:
其中,表示第n个词对应的包含了词义与句法距离信息的词向量,/>表示当前句子中第n个词的词向量,/>表示句子中第n个词对应的属性句法距离向量,rn表示句子中第n个词的未归一化的权重,ha表示所有属性词平均池化后得到的整体的词向量,Ba表示当前属性词对应的属性类别的代表性属性相关词集,an表示句子中第n个词的注意力权重,rj表示句子中第j个词的未归一化的权重,z表示属性泛化注意力机制输出的属性词相关的句子表征,m表示句子中词的总数。
在本公开的一个实施例中,获取预先定义的情感类别标签;根据情感类别标签,生成情感类别标签对应的情感类别向量;计算文本数据中一个或多个属性词相关句的句子向量与情感类别向量的余弦相似度;根据文本数据中一个或多个属性词相关句的句子向量与情感类别向量的余弦相似度,确定文本数据的属性级情感分类结果。
在本公开的一个实施例中,情感类别标签可包含积极、消极和中性三种情感类别,可通过GloVe词嵌入方式生成情感类别向量,需要说明的是,本公开实施例对生成向量的方式不做具体限定。
在本公开的一个实施例中,文本数据的属性级情感分类结果可通过如下公式确定:
其中,pi表示属性词相关的句子表征与第i个情感类别标签的情感类别嵌入的余弦相似度,C表示情感类别集合,表示第i个情感类别标签的情感类别嵌入,y表示输出的属性词的情感类别。
图2示出本公开实施例中一种属性相关词抽取策略方法流程图,如图2所示,该方法包括如下步骤:
S202,根据预先定义的属性词,定义属性类别。
S204,从文本数据中筛选出满足预设出现次数的词。
S206,计算从文本数据中筛选出的词与属性类别的余弦相似度。
S208,将从文本数据中筛选出的每个词与当前属性类别的余弦相似度按照从大到小的顺序进行排序。
S210,按顺序取余弦相似度在预设排名之前的词作为当前属性类别的属性相关词。
在本公开的一个实施例中,上述S202和S204可同时执行,也可根据任意先后顺序执行,本公开实施例对上述步骤的执行顺序不做具体限定。
在本公开的一个实施例中,属性类别可根据不同文本涉及到不同领域而定。例如,在笔记本电脑评论中,属性类别可以为外观、价格、电池等,在餐厅评论中,属性类别可以为食物、环境、服务等。
在本公开的一个实施例中,在预设出现次数为2且预设排名为5时,从文本数据中获取出现次数大于等于2次的所有词,根据预先设定的属性词定义属性类别,计算根据预设出现次数筛选出的词与属性类别的余弦相似度,按照从大到小的顺序进行排序,取排名前5的词作为属性类别的属性相关词,从而得到5个属性相关词。
例如,当属性类别为食物(food)时,根据预设出现次数获得的词为a、b、c。计算词a与属性类别“食物”的余弦相似度,可通过如下公式进行计算:
p=cos(ha,hfood) (8)
其中,ha表示词a的词向量,hfood表示属性类别食物(food)的词向量,p表示词a与属性类别食物(food)的余弦相似度。
同理,可获得词b、c与属性类别“食物”的余弦相似度,还可获得词a、b、c与其他属性类别的余弦相似度。
需要说明的是,可通过GloVe词嵌入方式生成词向量以及属性类别的词向量,需要说明的是,本公开实施例对生成向量的方式不做具体限定。
图3示出本公开实施例中一种文本属性情感分类算法流程图,如图3所示,该算法包括如下步骤:
S302,将句子、属性句法距离、属性词输入至嵌入层,生成句子中每个单词的词向量、每个单词的属性句法距离向量、属性词的词向量。
在本公开的一个实施例中,本公开实施例可以是预先训练好的一个文本属性级情感分类模型,该模型可包括:嵌入层、属性情感语义建模层以及属性情感语义计算层。
在本公开的一个实施例中,嵌入层可用于将句子中的每个词和属性词中的每个词转换为固定的词嵌入,以及将每个词的属性句法距离转换为句法距离嵌入,相应的生成句子中每个单词的词向量、属性词的词向量以及每个单词的属性句法距离向量。
在本公开的一个实施例中,属性句法距离可通过上述公式(1)得到。
在本公开的一个实施例中,可通过GloVe词嵌入方式生成句子中每个单词的词向量以及属性词的词向量,可通过矩阵句嵌入方式生成每个单词的属性句法距离向量。
S304,定义属性类别,获得每个属性类别的代表性的属性相关词,并生成属性相关词的词向量。
在本公开的一个实施例中,属性相关词可通过上述公式(8)得到。
在本公开的一个实施例中,可通过GloVe词嵌入方式生成属性相关词的词向量。
S306,将得到的词向量、属性句法距离向量、属性词的词向量、属性相关词的词向量输入至属性情感语义建模层,建模属性词与句子中不同单词的情感语义关联关系,生成更准确的属性相关句子向量。
在本公开的一个实施例中,属性情感语义建模层可用于建模和捕捉当前属性词与句子中不同词的情感语义关联程度,生成更准确的蕴含更多有效信息的属性相关的句子向量。
在本公开的一个实施例中,属性相关句子向量可通过上述公式(2)~(5)得到。
S308,将获得的属性相关的句子向量输入至属性情感语义计算层,计算属性相关的句子向量与情感类别向量之间的语义相似性,输出当前属性词的情感类别。
在本公开的一个实施例中,属性情感语义计算层可用于计算属性相关的句子的句子向量与情感类别向量之间的关系,输出属性词的情感类别。
在本公开的一个实施例中,情感类别可通过上述公式(6)~(7)得到。
图4示出本公开实施例中一种文本属性情感分类方法流程图,如图4所示,该模型包括如下步骤:
S401,输入给定的句子上下文信息。
S402,输入给定的属性词。
S403,根据给定的句子上下文信息与属性词,计算每个词与属性词对应的属性句法距离。
在本公开的一个实施例中,属性句法距离可通过上述公式(1)得到。
S404,将给定的句子上下文信息与属性词输入嵌入层进行映射,分别生成句子中每个词的词向量以及每个词与每个属性词之间的属性句法距离向量。
S405,将生成的句子中每个词的词向量与生成的每个词与每个属性词之间的属性句法距离向量求和,得到每个词对应的包含了词义与句法距离信息的词向量。
在本公开的一个实施例中,属性句法距离可通过上述公式(2)得到。
S406,将给定的属性词输入嵌入层进行映射,生成属性词的词向量。
S407,根据属性词相关策略从给定的句子上下文信息中抽取符合条件的词,作为每个属性类别下的代表性属性相关词。
在本公开的一个实施例中,属性句法距离可通过上述公式(8)得到。
S408,将属性相关词进行映射,生成属性相关词的词向量。
S409,将生成的每个词对应的包含了词义与句法距离信息的词向量、属性相关词的词向量以及属性相关词的词向量输入至属性泛化注意力机制。
S410,输出属性词相关的句子向量。
在本公开的一个实施例中,属性词相关的句子向量可通过上述公式(3)~(5)得到。
S411,将给定的情感类别标签进行映射,生成情感类别向量。
S412,计算属性词相关的句子向量以及情感类别向量的余弦相似度。
在本公开的一个实施例中,属性词相关的句子向量以及情感类别向量的余弦相似度可通过上述公式(6)得到。
S413,选出属性词相关的句子向量对应的余弦相似度最大的情感类别向量作为该属性词的情感类别输出。
在本公开的一个实施例中,属性词的情感类别可通过上述公式(7)得到。
需要说明的是,上述S401和S402可同时执行,也可根据任意先后顺序执行,本公开实施例对上述步骤的执行顺序不做具体限定。
需要说明的是,上述S406仅需在S402之后且S409之前任意时刻执行即可,本公开实施例对上述步骤的执行顺序不做具体限定。
需要说明的是,上述S407和S408仅需在S409执行前执行即可,本公开实施例对上述步骤的执行顺序不做具体限定。
需要说明的是,上述S411仅需在S412执行前执行即可,本公开实施例对上述步骤的执行顺序不做具体限定。
基于同一发明构思,本公开实施例中还提供了一种文本属性级情感分类装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图5示出本公开实施例中一种文本属性级情感分类装置示意图,如图5所示,该装置50包括:文本数据获取模块501、属性句法距离向量生成模块502、属性相关词向量生成模块503、属性词相关句向量生成模块504以及情感分类结果确定模块505。
其中,文本数据获取模块501,用于获取待分析的文本数据,文本数据包括多个句子,其中,每个句子包括多个词;属性句法距离向量生成模块502,用于根据文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成文本数据中每个词对应的属性句法距离向量;属性相关词向量生成模块503,用于根据文本数据中包含的属性相关词,生成属性相关词对应的词向量,其中,属性相关词为文本数据中与预先定义的属性词满足预设相似度条件的一个或多个词;属性词相关句向量生成模块504,用于根据文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定文本数据中一个或多个属性词相关句的句子向量,其中,属性词相关句为文本数据中包含了与属性词具有语义关联关系的一个或多个词的句子;情感分类结果确定模块505,用于根据文本数据中一个或多个属性词相关句的句子向量,确定文本数据的属性级情感分类结果。
由上述可知,本公开实施例中的装置用于结合文本数据中的词与预先定义的属性词生成属性句法距离向量,属性相关词生成属性相关词对应的词向量,文本数据中每个词的词向量以及属性词的词向量,确定属性词相关句的句子向量,并根据属性词相关句的句子向量确定文本数据的属性级情感分类结果。本公开有效利用了未经人工标注的信息对文本情感进行分析,从中获取属性词隐藏的情感信息,以提升模型的可扩展性和泛化能力,使其能够用于标注数据不足或缺失的场景中,同时减少了人力的消耗,提高了计算效率。
在本公开的一个实施例中,上述属性句法距离向量生成模块502还用于通过依存句法分析方法,得到文本数据中每个词与预先定义的各个属性词之间的连接关系;根据文本数据中每个词与预先定义的各个属性词之间的连接关系,确定文本数据中每个词与预先定义的各个属性词之间的属性句法距离。
在本公开的一个实施例中,上述属性句法距离向量生成模块502还用于通过上述公式(1)计算文本数据中每个词与预先定义的各个属性词之间的属性句法距离。
在本公开的一个实施例中,上述属性相关词向量生成模块503还用于根据预先定义的属性词,定义预先定义的属性词对应的属性类别;计算文本数据中每个词与属性类别的余弦相似度;按照从大到小的顺序对文本数据中每个词与属性类别的余弦相似度进行排序;获取余弦相似度在预设排名之前的词,作为文本数据中包含的属性相关词。
在本公开的一个实施例中,上述属性相关词向量生成模块503还用于从文本数据中筛选出满足预设出现次数的词;计算满足预设出现次数的词与属性类别的余弦相似度。
在本公开的一个实施例中,上述属性词相关句向量生成模块504还用于基于注意力机制,根据文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,生成文本数据中一个或多个属性词相关句的句子向量。
在本公开的一个实施例中,上述情感分类结果确定模块505还用于取预先定义的情感类别标签;根据情感类别标签,生成情感类别标签对应的情感类别向量;计算文本数据中一个或多个属性词相关句的句子向量与情感类别向量的余弦相似度;根据文本数据中一个或多个属性词相关句的句子向量与情感类别向量的余弦相似度,确定文本数据的属性级情感分类结果。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600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。
图6示出本公开实施例中一种电子设备的框图。下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600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6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元610可以执行上述方法实施例的如下步骤:获取待分析的文本数据,文本数据包括多个句子,其中,每个句子包括多个词;根据文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成文本数据中每个词对应的属性句法距离向量;根据文本数据中包含的属性相关词,生成属性相关词对应的词向量,其中,属性相关词为文本数据中与预先定义的属性词满足预设相似度条件的一个或多个词;根据文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定文本数据中一个或多个属性词相关句的句子向量,其中,属性词相关句为文本数据中包含了与属性词具有语义关联关系的一个或多个词的句子;根据文本数据中一个或多个属性词相关句的句子向量,确定文本数据的属性级情感分类结果。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备640(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
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程序产品,该计算机程序产品包括:计算机程序,所述计算机程序被处理器执行时实现上述文本属性级情感分类方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。图7示出本公开实施例中一种计算机可读存储介质示意图,如图7所示,该计算机可读存储介质上存储有能够实现本公开上述方法的程序产品700。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种文本属性级情感分类方法,其特征在于,包括:
获取待分析的文本数据,所述文本数据包括多个句子,其中,每个句子包括多个词;
根据所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成所述文本数据中每个词对应的属性句法距离向量;
根据文本数据中包含的属性相关词,生成所述属性相关词对应的词向量,其中,所述属性相关词为所述文本数据中与预先定义的属性词满足预设相似度条件的一个或多个词;
根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定所述文本数据中一个或多个属性词相关句的句子向量,其中,所述属性词相关句为所述文本数据中包含了与属性词具有语义关联关系的一个或多个词的句子;
根据所述文本数据中一个或多个属性词相关句的句子向量,确定所述文本数据的属性级情感分类结果。
2.根据权利要求1所述的文本属性级情感分类方法,其特征在于,根据所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离,包括:
通过依存句法分析方法,得到所述文本数据中每个词与预先定义的各个属性词之间的连接关系;
根据所述文本数据中每个词与预先定义的各个属性词之间的连接关系,确定所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离。
3.根据权利要求2所述的文本属性级情感分类方法,其特征在于,通过如下公式计算所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离:
其中,di表示属性句法距离,Ai表示在句子的依存句法图中,句子中第i个词与属性词是否有直接的连接关系,Ai=1表示第i个词与属性词存在直接连接的边,Ai=0表示第i个词与属性词不存在直接连接的边,li表示第i个词能够连接到的所有属性词的最小跳数,max(li,0)表示取li与0之间的最大值。
4.根据权利要求1所述的文本属性级情感分类方法,其特征在于,在根据文本数据中包含的属性相关词,生成所述属性相关词对应的词向量之前,所述方法还包括:
根据预先定义的属性词,定义所述预先定义的属性词对应的属性类别;
计算文本数据中的词与所述属性类别的余弦相似度;
按照从大到小的顺序对所述文本数据中每个词与所述属性类别的余弦相似度进行排序;
获取余弦相似度在预设排名之前的词,作为所述文本数据中包含的属性相关词。
5.根据权利要求4所述的文本属性级情感分类方法,其特征在于,所述计算文本数据中的词与所述属性类别的余弦相似度,包括:
从所述文本数据中筛选出满足预设出现次数的词;
计算所述满足预设出现次数的词与所述属性类别的余弦相似度。
6.根据权利要求1所述的文本属性级情感分类方法,其特征在于,根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定所述文本数据中一个或多个属性词相关句的句子向量,包括:
基于注意力机制,根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,生成所述文本数据中一个或多个属性词相关句的句子向量。
7.根据权利要求1所述的文本属性级情感分类方法,其特征在于,根据所述文本数据中一个或多个属性词相关句的句子向量,确定所述文本数据的属性级情感分类结果,包括:
获取预先定义的情感类别标签;
根据所述情感类别标签,生成所述情感类别标签对应的情感类别向量;
计算所述文本数据中一个或多个属性词相关句的句子向量与所述情感类别向量的余弦相似度;
根据所述文本数据中一个或多个属性词相关句的句子向量与所述情感类别向量的余弦相似度,确定所述文本数据的属性级情感分类结果。
8.一种文本属性级情感分类装置,其特征在于,包括:
文本数据获取模块,用于获取待分析的文本数据,所述文本数据包括多个句子,其中,每个句子包括多个词;
属性句法距离向量生成模块,用于根据所述文本数据中每个词与预先定义的各个属性词之间的属性句法距离,生成所述文本数据中每个词对应的属性句法距离向量;
属性相关词向量生成模块,用于根据文本数据中包含的属性相关词,生成所述属性相关词对应的词向量,其中,所述属性相关词为所述文本数据中与预先定义的属性词满足预设相似度条件的一个或多个词;
属性词相关句向量生成模块,用于根据所述文本数据中每个词的词向量、每个词对应的属性句法距离向量、属性相关词的词向量以及预先定义的属性词的词向量,确定所述文本数据中一个或多个属性词相关句的句子向量,其中,所述属性词相关句为所述文本数据中包含了与属性词具有语义关联关系的一个或多个词的句子;
情感分类结果确定模块,用于根据所述文本数据中一个或多个属性词相关句的句子向量,确定所述文本数据的属性级情感分类结果。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述的文本属性级情感分类方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任意一项所述的文本属性级情感分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869693.7A CN116860976A (zh) | 2023-07-14 | 2023-07-14 | 文本属性级情感分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869693.7A CN116860976A (zh) | 2023-07-14 | 2023-07-14 | 文本属性级情感分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116860976A true CN116860976A (zh) | 2023-10-10 |
Family
ID=88235621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310869693.7A Pending CN116860976A (zh) | 2023-07-14 | 2023-07-14 | 文本属性级情感分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860976A (zh) |
-
2023
- 2023-07-14 CN CN202310869693.7A patent/CN116860976A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777013B (zh) | 对话管理方法和装置 | |
CN107832299B (zh) | 基于人工智能的标题的改写处理方法、装置及可读介质 | |
CN112015859A (zh) | 文本的知识层次抽取方法及装置、计算机设备及可读介质 | |
CN112084793B (zh) | 基于依存句法的语义识别方法、设备和可读存储介质 | |
CN115357719B (zh) | 基于改进bert模型的电力审计文本分类方法及装置 | |
CN113138920B (zh) | 基于知识图谱与语义角色标注的软件缺陷报告分派方法及装置 | |
CN113128206B (zh) | 基于单词重要性加权的问题生成方法 | |
CN109635197A (zh) | 搜索方法、装置、电子设备及存储介质 | |
CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
CN116432611A (zh) | 文稿写作辅助方法、系统、终端及存储介质 | |
CN116719520A (zh) | 代码生成方法及装置 | |
CN113761875B (zh) | 事件抽取方法、装置、电子设备及存储介质 | |
CN112100360B (zh) | 一种基于向量检索的对话应答方法、装置和系统 | |
CN111460224B (zh) | 评论数据的质量标注方法、装置、设备及存储介质 | |
CN111241273A (zh) | 文本数据分类方法、装置、电子设备及计算机可读介质 | |
CN112347776B (zh) | 医疗数据处理方法及装置、存储介质、电子设备 | |
CN116701638A (zh) | 文本属性词情感分类方法、装置、设备和介质 | |
CN112417860A (zh) | 训练样本增强方法、系统、设备及存储介质 | |
CN112102062A (zh) | 一种基于弱监督学习的风险评估方法、装置及电子设备 | |
CN113569578B (zh) | 一种用户意图识别方法、装置和计算机设备 | |
CN116167382A (zh) | 意图事件提取方法及装置、电子设备、存储介质 | |
CN115982600A (zh) | 匹配模型训练方法、设备及介质 | |
CN116860976A (zh) | 文本属性级情感分类方法、装置、电子设备及存储介质 | |
CN115470790A (zh) | 一种识别文件中的命名实体的方法和装置 | |
CN111177378B (zh) | 一种文本挖掘方法、装置及电子设备 |
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 |