CN118013045A - 基于人工智能的语句情感检测方法及装置 - Google Patents
基于人工智能的语句情感检测方法及装置 Download PDFInfo
- Publication number
- CN118013045A CN118013045A CN202410389334.6A CN202410389334A CN118013045A CN 118013045 A CN118013045 A CN 118013045A CN 202410389334 A CN202410389334 A CN 202410389334A CN 118013045 A CN118013045 A CN 118013045A
- Authority
- CN
- China
- Prior art keywords
- emotion
- word
- context
- semantic
- target sentence
- 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 310
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 156
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 31
- 239000000654 additive Substances 0.000 claims abstract description 28
- 230000000996 additive effect Effects 0.000 claims abstract description 28
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 8
- 230000009193 crawling Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 241001122315 Polites Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本申请提供了一种基于人工智能的语句情感检测方法。包括:基于情感词典和上下文编码器处理目标语句,生成语义情感张量和上下文张量;通过加性注意力融合这些张量以生成情感增强的上下文向量;通过条件层归一化生成初步词对向量;使用嵌入编码器给语义关系分配向量,通过门控机制融合这些信息以生成第一词对向量;使用线性层将第一词对向量映射为最终的词对向量;基于最终的词对向量进行标签预测,从而确定目标语句中各个方面词对应的情感信息。该方法通过加性注意力机制和门控机制,丰富了单词级别和词间级别的语义信息,从而提高了语句情感检测的全面性和准确性,增强了对有效方面观点词的识别能力。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种基于人工智能的语句情感检测方法、装置、计算机可读介质及电子设备。
背景技术
为了能够更好地获得用户对于产品或服务的反馈,了解公众对于某件事物的看法,情感分析已经成为自然语言处理领域中的一个热点研究领域。一条语句中可能包含对于多个实体的看法,因此,方面级情感分析(Aspect Based Sentiment Analysis,ABSA)的概念被提出。但是,方面级情感分析只从语句中抽取方面项并判断方面项对应的情感极性,容易造成语句情感判断比较片面、不够精确的问题。
发明内容
本申请的实施例提供了一种基于人工智能的语句情感检测方法、装置、计算机可读介质及电子设备,进而至少在一定程度上可以解决语句情感判断比较片面、不够精确的问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请的一个方面,提供了一种基于人工智能的语句情感检测方法,包括:获取待检测的目标语句;基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量;通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量;基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,通过门控机制确定各词对对应的词对向量;基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息。
在本申请中,基于前述方案,所述获取待检测的目标语句,包括:爬取网络中的网页信息;从所述网页信息中进行识别,获取待检测的用户评论作为目标语句。
在本申请中,基于前述方案,所述基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量,包括:通过情感词典获取所述目标语句中单词的语义情感向量;通过上下文编码器获取所述单词的上下文向量;基于单词的语义情感向量生成所述目标语句的语义情感张量;基于单词的上下文向量生成所述目标语句的上下文张量。
在本申请中,基于前述方案,所述通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量,包括:将所述单词的语义情感向量和所述上下文向量输入加性注意力机制中进行学习,确定分配给每个单词的注意力分数;基于所述注意力分数确定所述目标语句中各单词对应的注意力权重;基于所述注意力权重和所述单词的上下文向量,进行情感增强处理,生成所述单词的情感增强的上下文向量;基于所述单词的情感增强的上下文向量,组合成所述目标语句的情感增强的上下文张量。
在本申请中,基于前述方案,所述基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,包括:基于所述目标语句的情感增强的上下文张量,通过条件层归一化生成最初的词对向量;基于抽象语义表示所述目标语句,生成词对的语义关系;使用嵌入编码器,给每种语义关系分配一个可学习的语义关系向量。
在本申请中,基于前述方案,所述方法还包括:采集用户信息;对所述用户信息进行预处理,生成预处理数据;所述预处理包括分词、过滤以及格式化;对所述预处理数据进行方面情感三元组抽取,得到三元组信息;基于所述语句情感检测方法,对所述三元组信息进行检测,得到用户情感检测结果。
在本申请中,基于前述方案,所述用户信息包括对餐厅的评价文本数据;在得到用户情感检测结果之后,确定餐厅的改进方案。
在本申请中,基于前述方案,所述基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息之后,还包括:基于检测得到的情感信息,对所述情感信息划分等级;基于所述情感信息和等级,若超出预设阈值,则对发布所述目标语句的用户进行标注。
在本申请中,基于前述方案,所述基于检测得到的情感信息,对所述情感信息划分等级之后,还包括:基于同一用户发布的多个目标语句对应的情感信息和等级,生成所述用户对应的标签信息;在网页中所述用户的用户名处显示所述标签信息。
根据本申请的一个方面,提供了一种基于人工智能的语句情感检测装置,包括:
获取单元,用于获取待检测的目标语句;
编码单元,用于基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量;
融合单元,用于通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量;
增强单元,用于基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,通过门控机制确定各词对对应的词对向量;
预测单元,用于基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息。
在本申请中,基于前述方案,所述获取待检测的目标语句,包括:爬取网络中的网页信息;从所述网页信息中进行识别,获取待检测的用户评论作为目标语句。
在本申请中,基于前述方案,所述基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量,包括:通过情感词典获取所述目标语句中单词的语义情感向量;通过上下文编码器获取所述单词的上下文向量;基于单词的语义情感向量生成所述目标语句的语义情感张量;基于单词的上下文向量生成所述目标语句的上下文张量。
在本申请中,基于前述方案,所述通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量,包括:将所述单词的语义情感向量和所述上下文向量输入加性注意力机制中进行学习,确定分配给每个单词的注意力分数;基于所述注意力分数确定所述目标语句中各单词对应的注意力权重;基于所述注意力权重和所述单词的上下文向量,进行情感增强处理,生成所述单词的情感增强的上下文向量;基于所述单词的情感增强的上下文向量,组合成所述目标语句的情感增强的上下文张量。
在本申请中,基于前述方案,所述基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,包括:基于所述目标语句的情感增强的上下文张量,通过条件层归一化生成最初的词对向量;基于抽象语义表示所述目标语句,生成词对的语义关系;使用嵌入编码器,给每种语义关系分配一个可学习的语义关系向量。
在本申请中,基于前述方案,所述方法还包括:采集用户信息;对所述用户信息进行预处理,生成预处理数据;所述预处理包括分词、过滤以及格式化;对所述预处理数据进行方面情感三元组抽取,得到三元组信息;基于所述语句情感检测方法,对所述三元组信息进行检测,得到用户情感检测结果。
在本申请中,基于前述方案,所述用户信息包括对餐厅的评价文本数据;在得到用户情感检测结果之后,确定餐厅的改进方案。
在本申请中,基于前述方案,所述基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息之后,还包括:基于检测得到的情感信息,对所述情感信息划分等级;基于所述情感信息和等级,若超出预设阈值,则对发布所述目标语句的用户进行标注。
在本申请中,基于前述方案,所述基于检测得到的情感信息,对所述情感信息划分等级之后,还包括:基于同一用户发布的多个目标语句对应的情感信息和等级,生成所述用户对应的标签信息;在网页中所述用户的用户名处显示所述标签信息。
根据本申请的一个方面,提供了一种计算机可读介质,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如上述实施例中所述的基于人工智能的语句情感检测方法。
根据本申请的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的基于人工智能的语句情感检测方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的基于人工智能的语句情感检测方法。
在本申请技术方案中,获取待检测的目标语句,基于情感词典和上下文编码器分别对待检测的目标语句进行处理,生成目标语句的语义情感张量和上下文张量;通过加性注意力对表示目标语句的语义情感张量和上下文张量进行融合处理,生成目标语句中各单词对应的包含情感增强的上下文向量;将目标语句中各单词对应的包含情感增强的上下文向量组合成目标语句的包含情感增强的上下文张量;将目标语句的情感增强的上下文张量输入到条件层归一化中,生成最初的词对向量;基于抽象语义表示对待检测的目标语句进行处理,生成词对的语义关系;使用嵌入编码器,给每种语义关系分配一个可学习的向量;使用门控机制融合词对的语义信息向量和最初的词对向量,生成第一词对向量;使用线性层将第一词对向量映射为用于标签预测的最终的词对向量;基于目标词对进行标签分布预测确定目标语句中各个方面词对应的情感信息。本申请的技术方案通过加性注意力机制将单词级别的语义情感向量融入到单词表示向量中,丰富了单词级别的语义信息,并通过门控机制将词间级别的语义情感向量融入到词对表示向量中,丰富了词间级别的语义信息,进而提高了判断词对是否为有效的方面观点词对的能力,提高了语句情感检测的全面性和准确性。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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示意性示出了本申请的一个实施例中基于人工智能的语句情感检测方法的流程图。
图2示意性示出了本申请的一个实施例中情感驱动的注意力机制(AMM)结构展示的示意图。
图3示意性示出了本申请的一个实施例中确定目标词对的流程图。
图4示意性示出了本申请的一个实施例中AMR驱动的门控机制(AGM)结构展示的示意图。
图5示意性示出了本申请的一个实施例中基于人工智能的语句情感检测装置的示意图。
图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
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申请将更加全面和完整,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。
此外,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例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
以下对本申请的技术方案的实现细节进行详细阐述:
为了能够更好地获得用户对于产品或服务的反馈,了解公众对于某件事物的看法,情感分析已经成为自然语言处理领域中的一个热点研究领域。但是一条用户评论中可能包含用于对于多个实体的看法,因此,方面级情感分析(Aspect Based SentimentAnalysis,ABSA)的概念被提出。但是,方面级情感分析只从用户评论中抽取方面项并判断方面项对应的情感极性,而不考虑抽取做出情感判断的观点项作为参考。为了保证方面项、观点项和情感极性这三个部分的完整性,作为方面级情感分析中一种更细粒度的任务,方面情感三元组抽取(Aspect Sentiment Triplet Extraction,ATSE)被提出。包括两个方面情感三元组,即:(成分ingredients, 新鲜度fresh, 正面positive)和(服务service, 极端度terrible, 负面negative)。其中,ingredients和service是方面项,fresh和terrible是对应的观点项,而positive和negative分别是两个三元组的情感,本实施例中通过方面词表示一语句中对应于各情感极性的词语。
早期用于方面情感三元组抽取的方法是流水线方法,但是这种逐步提取的方法会导致误差传播和信息流中断。为了避免这个问题,一系列端到端的方法被提出,这些方法采用基于标记的形式同时提取用户评论中构成方面-观点词对的方面项和观点项,并对词对的情感极性进行判断。然而,早期的端到端方法仅依赖于标记方案,忽视了情感是具有多种形式的主观表达,情感极性的判断要求对文本语义的深刻理解。为了解决这个问题,随后的端到端方法开始探索引入语言知识以提高模型的语义理解能力。现存的方法专注于设计复杂的模型结构以增强模型对于句法信息(例如,词性和依存树)的学习和理解能力,然而,情感分析是一个语义任务,语义和句法之间的区别导致现存的方法只能间接地处理方面情感三元组抽取任务,从而可能导致这些方法将不相关的方面项和观点项配对,或者错误地理解观点项所表达的对方面项的情感极性。
现有技术的缺陷和不足:早期的流水线方法会受到误差传播和信息流中断的影响;早期的端到端方法忽略了对于文本语义的理解;现有的端到端方法无法直接和方面三元组抽取任务建立联系,进而导致这些方法将不相关的方面项和观点项配对,或者错误地理解观点项所表达的对方面项的情感极性。
为了解决上述背景技术中存在的至少一项技术问题,我们引入了语义信息来替代传统的句法信息,并提出了一种新颖的基于标记的方法,称为SenticNet-AMR驱动的注意力-门控语义模型(SenticNet-AMR Driven Attention-Gate Semantic Framework,SAAG)。这种方法使用外部常识知识库SenticNet来获得单词级别的语义情感向量,并使用抽象语义表示(Abstract Meaning Representation, AMR)来捕捉词间级别的语义信息。SAAG中的两个主要模块为:情感驱动的注意力机制(Affective-driven AttentionMechanism, AAM)和AMR驱动的门控机制(AMR-driven Gate Mechanism, AGM)。
其中,AAM的目的是增强单词级别的语义理解,AGM的目的是增强词间级别的语义理解。AAM使用加性注意力机制(additive attention mechanism)来融合从外部知识库SenticNet获得的单词情感嵌入和从BERT(Bidirectional Encoder Representation)编码器获得的单词上下文嵌入,从而获得了强调单词本身语义情感向量的情感上下文表示。AGM使用AMR来引导生成的词对表示,这样使得语义信息被融合到了词对表示中。AAM和AGM确保了SAAG直接和方面情感三元组抽取建立了联系,增强SAAG对文本语义的理解,进而提高了SAAG处理方面情感三元组抽取任务的准确性。
图1示出了根据本申请的一个实施例的基于人工智能的语句情感检测方法的流程图。参照图1所示,该基于人工智能的语句情感检测方法至少包括步骤S110至步骤S150,详细介绍如下:
在步骤S110中,获取待检测的目标语句。
在本申请的一个实施例中,首先获取待检测的目标语句。本实施例中目标语句可以包括网页中的用户评价语句、聊天过程中的聊天语句,打电话时的语音信息。除此之外,还可以应用在在智能客服、产品评论分析、餐厅评价分析、旅游景点评价分析等需要进行情感检测的领域中。
示例性的,本申请技术方案中的语句情感检测方式可以应用下如下领域中:
1、产品评论分析:在电商平台上,可以利用方面情感三元组来分析用户对于不同方面(如性能、外观、价格等)的产品评论的情感倾向,以了解用户对产品的整体满意度以及各方面的评价情况。
2、餐厅评价分析:对于餐厅的评论,可以使用方面情感三元组来分析用户对菜品口味、服务态度、环境等方面的情感倾向,有助于餐厅改进服务,提升顾客满意度。
3、旅游景点评价分析:针对旅游景点的评论,可以提取方面情感三元组来了解游客对于景点的各个方面(如景色、交通、价格等)的情感倾向,以帮助其他游客做出更好的选择。
4、产品改进和市场定位:通过分析产品或服务的方面情感三元组,企业可以了解用户对不同方面的满意度和不满意度,从而有针对性地改进产品功能、调整市场定位,提升产品竞争力。
总的来说,方面情感三元组的应用能够帮助企业、组织或个人更好地理解用户或群体的情感倾向,从而指导决策、改进产品和服务、提升用户体验等方面。
在本申请的一个实施例中,获取待检测的目标语句,包括:
爬取网络中的网页信息;
从所述网页信息中进行识别,获取待检测的用户评论作为目标语句。
本实施例中通过爬取网络中的网页信息,从网页信息中进行识别,以获取待检测的用户评论作为目标语句,以对目标语句进行检测,识别得出用户评论中关于不同实体的情感信息。
在步骤S120中,基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量。
在本申请的一个实施例中,给定一条包含n个单词用户评论,方面情感三元组抽取的目的是提取该条用户评论中的全部三元组/>。其中,/>是该条用户评论中三元组的总数,/>是第/>个三元组,/>是三元组的方面项,是三元组的观点项,/>是该三元组的情感极性,并且/>是从集合/>中选择的,其中/>代表积极,/>代表中立,/>代表消极。
在本申请的一个实施例中,基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量,包括:
通过情感词典获取所述目标语句中单词的语义情感向量;
通过上下文编码器获取所述单词的上下文向量;
基于单词的语义情感向量生成所述目标语句的语义情感张量;
基于单词的上下文向量生成所述目标语句的上下文张量。
具体的,编码层使用情感词典SenticNet获取带有情感信息的单词的语义情感向量,如果一个单词不在SenticNet中,则该单词的语义情感向量为0。对于单词,其语义情感向量/>为:
由此,对于用户评论,其语义情感张量/>为:
BERT编码器拥有强大的上下文向量捕捉能力,因此,我们利用BERT来获取用户评论的上下文张量为:
其中,代表每个单词的上下文向量。通过上述过程确定目标语言对应的语义情感向量和上下文向量,以便于对目标语言进行语义和上下文的全面把控。
在步骤S130中,通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量。
如图2所示,在本申请的一个实施例中,通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量,包括:
将所述单词的语义情感向量和所述上下文向量输入加性注意力机制中进行学习,确定分配给每个单词的注意力分数;
基于所述注意力分数确定所述目标语句中各单词对应的注意力权重;
基于所述注意力权重和所述单词的上下文向量,进行情感增强处理,生成所述单词的情感增强的上下文向量;
基于所述单词的情感增强的上下文向量,组合成所述目标语句的情感增强的上下文张量。
图2展示了AAM的概貌。为了使SAAG能够自适应地关注单词表示中与情感相关的信息,语义情感张量和上下文张量/>被输入加性注意力机制中进行学习。首先,情感嵌入被映射为查询(Query, Q)并引导注意力分数的生成,该过程/>表示如下:
在模型的训练过程中,代表的是分配给每个单词的注意力分数,/>是激活函数,/>、/>和/>都是可学习矩阵。
对于用户评论中的每个单词/>,其注意力权重/>的计算方法如下:
其中,和/>分别代表/>和/>的注意力分数。
对应的与/>相乘,获得单词/>情感增强的上下文向量。此外,AAM中引入了残差连接(Residual Connection)和层归一化(LayerNorm)来确保模型的训练更加稳定有效,生成情感增强的上下文向量为:
以上步骤确保了SAAG能够高效地捕获并突出显示单词所表达的语义情感向量,从而增强了SAAG对于单词级别的语义表示。使用加性注意力机制将来自SenticNet的单词级别的语义情感向量融入到单词表示中,有效地丰富了单词级别的语义信息。
在步骤S140中,基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,通过门控机制确定各词对对应的词对向量。
如图3所示,在本申请的一个实施例中,基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,包括:
S310,基于所述目标语句的情感增强的上下文张量,通过条件层归一化生成最初的词对向量;
S320,基于抽象语义表示所述目标语句,生成词对的语义关系;
S330,使用嵌入编码器,给每种语义关系分配一个可学习的语义关系向量。
具体的,在步骤S310基于所述目标语句的情感增强的上下文张量,通过条件层归一化生成最初的词对向量的过程中,为了在训练过程中学习并获得更准确的词对表示,我们使用条件层归一化(Conditional Layer Normalization, CLN)来表示词对,对于单词,我们使用单词/>作为条件信息并表示为/>和/>:
其中,、/>都是可学习权重矩阵,/>和/>都是对应的可学习偏差,/>表示单词的情感增强的上下文向量。由此得到词对/>的表示:
其中,表示逐元素相乘,平均值/>和标准差/>的计算如下:
其中,代表的是单词/>情感增强的上下文向量/>中第/>个维度上的值。
通过这种可学习的方法表示词对,增强了其在不同条件下的灵活性,从而更好地理解和捕捉单词之间的关系。
具体的,在步骤S320基于抽象语义表示所述目标语句,生成词对的语义关系的过程中,AMR可以用来捕捉文本的语义细节。为了将AMR应用到情感三元组抽取任务中,我们首先使用抽象语义表示的基于自动回归变分推理的生成模型AMRBART解析来获取用户评论的语义有向图,再通过抽象语义表示LEAMR对齐将语义有向图中的节点和评论中的单词对齐。对于每条用户评论,本过程可以被描述为:
其中,代表的是用户评论/>的语义有向图,/>是一个元组集合,每个元组包含具有语义关系的词对及其语义关系类型,/>表示对数据进行抽象语义表示的基于自动回归变分推理的生成模型处理,/>表示对数据进行抽象语义表示。之后,根据我们建立的规则,将对齐后的数据处理成SAAG可以处理的格式:
1、经过AMR解析和对齐处理的数据,段落结束标点符号(例如,“,”,“。”,“?”和“!”)与其前面相邻的单词组成了一个令牌,而在ASTE需要处理的数据中,所有的标点符号都是单独的令牌。SAAG认为所有的标点符号都是与其他所有令牌间不存在语义关系。
2、在ASTE中,表达否定含义的令牌“n't”会与其前面相连部分分开,例如,“can't”被拆分为“ca”和“n't”两个令牌,但经过AMR解析和对齐处理的数据,“can't”被认为是一个令牌。
3、在AMR中,若一个语义节点对应多个单词令牌,则这些所有的单词令牌的语义关系被认为与该语义节点保持一致。若一个单词令牌对应多个语义节点,则这些所有语义节点的语义关系被认为是该单词令牌的语义关系。若两个单词令牌之间存在多种语义关系,则随机选择一种语义关系作为这两个单词令牌之间的语义关系。
具体的,在步骤S330,使用嵌入编码器,给每种语义关系分配一个可学习的语义关系向量的过程中,为了方便后续的处理SAAG中,给中的每种语义关系都随机分配了一个嵌入。最终的语义关系矩阵/>依赖/>及上述规则获得语义关系向量为:
在本申请一实施例中,通过门控机制确定各词对对应的词对向量,即通过门控机制融合生成各词对对应的第一词对向量,通过信息增强生成目标语句中的全部目标词对向量,该过程包括:
基于所述最初的词对向量和语义关系向量,通过门控机制融合所述最初的词对向量和语义关系向量,生成融合文本含义的第一词对向量;
对所述第一词对向量进行信息聚合和线性处理,生成目标语句对应的全部目标词对向量。
图4展示了AGM的概貌。由于用户评论中不可避免地会出现多义和歧义单词,因此在不同语义条件下对上下文向量进行加权至关重要。为此,SAAG中设计了AGM,基于语义信息动态地对所有的词对表示进行关注并分配权重:
其中,、/>和/>都是在训练过程中不断学习的参数;/>表示对相关元素进行加权求和运算。/>趋近于0表示更多的信息会被遗弃,/>趋近于1表示更多的信息会被保留。由此,我们得到最终的词对向量/>为:
其中,表示同或运算。AGM提高了SAAG对语义信息的敏感性,增强了单词间的语义理解,有助于更好地判断单词之间是否组成了有效的方面-观点词对,并理解用户评论的含义,以做出更准确的情感判断。
为了适应SAAG中词对表示的动态调整和多种语义关系的区分,采用多通道的GCN来替代GCN进行信息聚合,增强了每个单词的表示:
其中,表示多通道的GCN信息。最后,输出的/>被送入一个线性层中,获得最终的词对表示/>,/>将用于最终的标签预测分布:
其中,和/>都是在训练过程中不断学习的参数。
在步骤S150中,基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息。
在生成目标词对之后,对目标词对进行标签分布预测,确定目标语句对应的情感信息。与其他利用语言特征的模型相比,可以观察到SAAG的结果更为优越。这是因为先前的方法应用了句法特征,导致了这些方法在情感三元组抽取这一语义问题上的不匹配。SAAG通过利用外部语义信息缓解了这一差距,使得我们的模型在仅仅使用两种语言特征的情况下,性能胜过了融合了四种语言特征的方式。
在本申请的一个实施例中,所述方法还包括:
采集用户信息;
对所述用户信息进行预处理,生成预处理数据;所述预处理包括分词、过滤以及格式化;
对所述预处理数据进行方面情感三元组抽取,得到三元组信息;
基于所述语句情感检测方法,对所述三元组信息进行检测,得到用户情感检测结果。
可选地,所述用户信息包括社交媒体帖子、论坛帖子以及个人信息;在得到用户情感检测结果之后,确定所述用户的治疗方案。
可选地,所述用户信息包括对餐厅的评价文本数据;在得到用户情感检测结果之后,确定餐厅的改进方案。
在具体的应用中,本申请技术方案还用于辅助餐厅了解用户对于餐厅的评价,具体通过针对某一用户的多数据处理进行。具体过程说明如下:
1、收集数据,收集包括用户对餐厅的评价文本数据;
2、数据处理,进行分词、去除停用词等操作,将数据处理为本算法可以处理的数据形式;
3、方面情感三元组抽取,使用本算法对处理后的数据进行方面情感三元组抽取,抽取后的方面情感三元组形式为(方面项,观点项,情感极性),其中,情感极性分为三种:积极、中性、消极。其中,方面项和观点项均从数据中直接抽取,情感极性则由本算法进行情感分类获得,情感极性分为三种:积极、中性、消极。例如,在某条数据"菜品不新鲜,但服务很有礼貌。"中,抽取出两个三元组(菜品,不新鲜,消极)、(服务,礼貌,积极);
4、数据分析,统计和分析生成的方面情感三元组,了解用户对餐厅不同方面的评价情况。可以根据用户评价的情感倾向,识别出餐厅的优势和改进空间,并制定相应的改进策略。根据分析结果,餐厅可以及时调整服务、菜品、环境等方面,以提升用户满意度和口碑。
在本申请的一个实施例中,基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息之后,还包括:
基于检测得到的情感信息,对所述情感信息划分等级;
基于所述情感信息和等级,若超出预设阈值,则对发布所述目标语句的用户进行标注。
在本实施例中,基于检测得到的情感信息,对情感信息划分等级,例如按照情感的激烈程度划分三个等级:低级、中级以及高级。基于情感信息和等级,若超出预设阈值,则对发布所述目标语句的用户进行标注。例如当检测到情感信息为消极、情感等级为高级时,对该用户进行标注。以通过这种方式保障网上用户人员的心理健康。
在本申请的一个实施例中,基于检测得到的情感信息,对所述情感信息划分等级之后,还包括:
基于同一用户发布的多个目标语句对应的情感信息和等级,生成所述用户对应的标签信息;
在网页中所述用户的用户名处显示所述标签信息。
在上述过程中,获取同一用户发布的多个目标语句对应的情感信息和等级,基于多个信息生成用户对应的标签信息,以在网络中用户的用户名处显示该标签信息,便于网络用户在网络沟通时有一定的心理准备。
在本申请技术方案中,获取待检测的目标语句,基于情感词典和上下文编码器分别对待检测的目标语句进行处理,生成目标语句的语义情感张量和上下文张量;通过加性注意力对表示目标语句的语义情感张量和上下文张量进行融合处理,生成目标语句中各单词对应的情感增强的上下文向量;将目标语句中各单词对应的情感增强的上下文向量组合成目标语句的情感增强的上下文张量;将目标语句的情感增强的上下文张量输入到条件层归一化中,生成最初的词对向量;基于抽象语义表示对待检测的目标语句进行处理,生成词对的语义关系;使用嵌入编码器,给每种语义关系分配一个可学习的向量;使用门控机制融合词对的语义信息向量和最初的词对向量,生成第一词对向量;使用线性层将融合词对的语义信息向量和最初的词对向量的第一词对向量映射为用于标签预测的最终的词对向量;基于目标词对进行标签分布预测确定目标语句中各个方面词对应的情感信息。本申请的技术方案通过加性注意力机制将单词级别的语义情感向量融入到单词表示向量中,丰富了单词级别的语义信息,并通过门控机制将词间级别的语义情感向量融入到词对表示向量中,丰富了词间级别的语义信息,进而提高了判断词对是否为有效的方面观点词对的能力,提高了语句情感检测的全面性和准确性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的基于人工智能的语句情感检测方法。可以理解的是,所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节,请参照本申请上述的基于人工智能的语句情感检测方法的实施例。
图5示出了根据本申请的一个实施例的基于人工智能的语句情感检测装置的框图。
参照图5所示,根据本申请的一个实施例的基于人工智能的语句情感检测装置,包括:
获取单元310,用于获取待检测的目标语句;
编码单元320,用于基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量;
融合单元330,用于通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量;
增强单元340,用于基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,通过门控机制确定各词对对应的词对向量;
预测单元350,用于基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息。
在本申请中,基于前述方案,所述获取待检测的目标语句,包括:爬取网络中的网页信息;从所述网页信息中进行识别,获取待检测的用户评论作为目标语句。
在本申请中,基于前述方案,所述基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量,包括:通过情感词典获取所述目标语句中单词的语义情感向量;通过上下文编码器获取所述单词的上下文向量;基于单词的语义情感向量生成所述目标语句的语义情感张量;基于单词的上下文向量生成所述目标语句的上下文张量。
在本申请中,基于前述方案,所述通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量,包括:将所述单词的语义情感向量和所述上下文向量输入加性注意力机制中进行学习,确定分配给每个单词的注意力分数;基于所述注意力分数确定所述目标语句中各单词对应的注意力权重;基于所述注意力权重和所述单词的上下文向量,进行情感增强处理,生成所述单词的情感增强的上下文向量;基于所述单词的情感增强的上下文向量,组合成所述目标语句的情感增强的上下文张量。
在本申请中,基于前述方案,所述基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,包括:基于所述目标语句的情感增强的上下文张量,通过条件层归一化生成最初的词对向量;基于抽象语义表示所述目标语句,生成词对的语义关系;使用嵌入编码器,给每种语义关系分配一个可学习的语义关系向量。
在本申请中,基于前述方案,所述方法还包括:采集用户信息;对所述用户信息进行预处理,生成预处理数据;所述预处理包括分词、过滤以及格式化;对所述预处理数据进行方面情感三元组抽取,得到三元组信息;基于所述语句情感检测方法,对所述三元组信息进行检测,得到用户情感检测结果。
在本申请中,基于前述方案,所述用户信息包括社交媒体帖子、论坛帖子以及个人信息;在得到用户情感检测结果之后,确定所述用户的治疗方案;或者所述用户信息包括对餐厅的评价文本数据;在得到用户情感检测结果之后,确定餐厅的改进方案。
在本申请中,基于前述方案,所述基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息之后,还包括:基于检测得到的情感信息,对所述情感信息划分等级;基于所述情感信息和等级,若超出预设阈值,则对发布所述目标语句的用户进行标注。
在本申请中,基于前述方案,所述基于检测得到的情感信息,对所述情感信息划分等级之后,还包括:基于同一用户发布的多个目标语句对应的情感信息和等级,生成所述用户对应的标签信息;在网页中所述用户的用户名处显示所述标签信息。
在本申请技术方案中,获取待检测的目标语句,获取待检测的目标语句,基于情感词典和上下文编码器分别对待检测的目标语句进行处理,生成目标语句的语义情感张量和上下文张量;通过加性注意力对表示目标语句的语义情感张量和上下文张量进行融合处理,生成目标语句中各单词对应的情感增强的上下文向量;将目标语句中各单词对应的情感增强的上下文向量组合成目标语句的情感增强的上下文张量;将目标语句的情感增强的上下文张量输入到条件层归一化中,生成最初的词对向量;基于抽象语义表示对待检测的目标语句进行处理,生成词对的语义关系;使用嵌入编码器,给每种语义关系分配一个可学习的向量;使用门控机制融合词对的语义信息向量和最初的词对向量,生成第一词对向量;使用线性层将融合词对的语义信息向量和最初的词对向量的第一词对向量映射为用于标签预测的最终的词对向量;基于目标词对进行标签分布预测确定目标语句中各个方面词对应的情感信息。本申请的技术方案通过加性注意力机制将单词级别的语义情感向量融入到单词表示向量中,丰富了单词级别的语义信息,并通过门控机制将词间级别的语义情感向量融入到词对表示向量中,丰富了词间级别的语义信息,进而提高了判断词对是否为有效的方面观点词对的能力,提高了语句情感检测的全面性和准确性。
图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图中所示的电子设备的计算机系统400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
其中,计算机系统400包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input /Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分407;包括硬盘等的储存部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地,根据本申请的实施例,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,本申请的实施例包括一种计算机程序产品,其包括承载在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计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示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(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,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。而在本申请中,计算机可读的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计算机程序。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。计算机可读的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计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
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,根据本申请的实施方式,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。
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,根据本申请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、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于人工智能的语句情感检测方法,其特征在于,包括:
获取待检测的目标语句;
基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量;
通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量;
基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,通过门控机制确定各词对对应的词对向量;
基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息;其中,所述方面词用于表示一语句中对应于各情感极性的词语。
2.根据权利要求1所述的方法,其特征在于,获取待检测的目标语句,包括:
爬取网络中的网页信息;
从所述网页信息中进行识别,获取待检测的用户评论作为目标语句。
3.根据权利要求1或2所述的方法,其特征在于,基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量,包括:
通过情感词典获取所述目标语句中单词的语义情感向量;
通过上下文编码器获取所述单词的上下文向量;
基于单词的语义情感向量生成所述目标语句的语义情感张量;
基于单词的上下文向量生成所述目标语句的上下文张量。
4.根据权利要求3所述的方法,其特征在于,通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量,包括:
将所述单词的语义情感向量和所述上下文向量输入加性注意力机制中进行学习,确定分配给每个单词的注意力分数;
基于所述注意力分数确定所述目标语句中各单词对应的注意力权重;
基于所述注意力权重和所述单词的上下文向量,进行情感增强处理,生成所述单词的情感增强的上下文向量;
基于所述单词的情感增强的上下文向量,组合成所述目标语句的情感增强的上下文张量。
5.根据权利要求1所述的方法,其特征在于,基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,包括:
基于所述目标语句的情感增强的上下文张量,通过条件层归一化生成最初的词对向量;
基于抽象语义表示所述目标语句,生成词对的语义关系;
使用嵌入编码器,给每种语义关系分配一个可学习的语义关系向量。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集用户信息;
对所述用户信息进行预处理,生成预处理数据;所述预处理包括分词、过滤以及格式化;
对所述预处理数据进行方面情感三元组抽取,得到三元组信息;
基于所述语句情感检测方法,对所述三元组信息进行检测,得到用户情感检测结果。
7.根据权利要求6所述的方法,其特征在于,包括:
所述用户信息包括对餐厅的评价文本数据;在得到用户情感检测结果之后,确定餐厅的改进方案。
8.一种基于人工智能的语句情感检测装置,其特征在于,包括:
获取单元,用于获取待检测的目标语句;
编码单元,用于基于情感词典和上下文编码器处理所述目标语句,生成所述目标语句的语义情感张量和上下文张量;
融合单元,用于通过加性注意力对所述语义情感张量和所述上下文张量进行融合,生成所述目标语句的情感增强的上下文张量;
增强单元,用于基于所述目标语句的情感增强的上下文张量确定词对向量和语义关系,通过门控机制确定各词对对应的词对向量;
预测单元,用于基于所述词对向量进行标签预测,确定所述目标语句中各个方面词对应的情感信息;其中,所述方面词用于表示一语句中对应于各情感极性的词语。
9.一种计算机可读介质,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如权利要求1至7中任一项所述的基于人工智能的语句情感检测方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的基于人工智能的语句情感检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389334.6A CN118013045B (zh) | 2024-04-02 | 2024-04-02 | 基于人工智能的语句情感检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389334.6A CN118013045B (zh) | 2024-04-02 | 2024-04-02 | 基于人工智能的语句情感检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013045A true CN118013045A (zh) | 2024-05-10 |
CN118013045B CN118013045B (zh) | 2024-06-18 |
Family
ID=90948666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389334.6A Active CN118013045B (zh) | 2024-04-02 | 2024-04-02 | 基于人工智能的语句情感检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013045B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210182498A1 (en) * | 2019-12-12 | 2021-06-17 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, electronic device and storage medium for processing a semantic representation model |
CN113705197A (zh) * | 2021-08-30 | 2021-11-26 | 北京工业大学 | 一种基于位置增强的细粒度情感分析方法 |
CN115860006A (zh) * | 2023-02-13 | 2023-03-28 | 广东工业大学 | 一种基于语义句法的方面级情感预测方法及装置 |
CN116822504A (zh) * | 2023-04-17 | 2023-09-29 | 长春工业大学 | 基于情感知识和方面交互的方面级情感分析方法 |
CN116956824A (zh) * | 2023-07-24 | 2023-10-27 | 山东省计算中心(国家超级计算济南中心) | 基于依赖类型和短语结构树的方面级情感分析方法及系统 |
CN117077655A (zh) * | 2023-08-29 | 2023-11-17 | 山东交通学院 | 基于情感知识增强的方面级情感三元组提取方法及系统 |
CN117787253A (zh) * | 2023-12-27 | 2024-03-29 | 江南大学 | 基于双门控机制和依赖导向注意力网络的三元组抽取方法 |
-
2024
- 2024-04-02 CN CN202410389334.6A patent/CN118013045B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210182498A1 (en) * | 2019-12-12 | 2021-06-17 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, electronic device and storage medium for processing a semantic representation model |
CN113705197A (zh) * | 2021-08-30 | 2021-11-26 | 北京工业大学 | 一种基于位置增强的细粒度情感分析方法 |
CN115860006A (zh) * | 2023-02-13 | 2023-03-28 | 广东工业大学 | 一种基于语义句法的方面级情感预测方法及装置 |
CN116822504A (zh) * | 2023-04-17 | 2023-09-29 | 长春工业大学 | 基于情感知识和方面交互的方面级情感分析方法 |
CN116956824A (zh) * | 2023-07-24 | 2023-10-27 | 山东省计算中心(国家超级计算济南中心) | 基于依赖类型和短语结构树的方面级情感分析方法及系统 |
CN117077655A (zh) * | 2023-08-29 | 2023-11-17 | 山东交通学院 | 基于情感知识增强的方面级情感三元组提取方法及系统 |
CN117787253A (zh) * | 2023-12-27 | 2024-03-29 | 江南大学 | 基于双门控机制和依赖导向注意力网络的三元组抽取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118013045B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444709B (zh) | 文本分类方法、装置、存储介质及设备 | |
CN110705301B (zh) | 实体关系抽取方法及装置、存储介质、电子设备 | |
CN112270196B (zh) | 实体关系的识别方法、装置及电子设备 | |
CN108984530A (zh) | 一种网络敏感内容的检测方法及检测系统 | |
CN110825867B (zh) | 相似文本推荐方法、装置、电子设备和存储介质 | |
CN110287314B (zh) | 基于无监督聚类的长文本可信度评估方法及系统 | |
CN107436916B (zh) | 智能提示答案的方法及装置 | |
CN113987167A (zh) | 基于依赖感知图卷积网络的方面级情感分类方法及系统 | |
CN112069312A (zh) | 一种基于实体识别的文本分类方法及电子装置 | |
CN112926308A (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN113239143B (zh) | 融合电网故障案例库的输变电设备故障处理方法及系统 | |
CN113486174B (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
CN114840685A (zh) | 一种应急预案知识图谱构建方法 | |
CN114547303A (zh) | 基于Bert-LSTM的文本多特征分类方法及装置 | |
CN114065749A (zh) | 一种面向文本的粤语识别模型及系统的训练、识别方法 | |
CN113705207A (zh) | 语法错误识别方法及装置 | |
CN117436438A (zh) | 情感分析方法、大语言模型的训练方法及装置 | |
CN116383517A (zh) | 动态传播特征增强的多模态谣言检测方法及系统 | |
CN114298011B (zh) | 神经网络、训练方法、方面级情感分析方法、装置及存储介质 | |
EP2605150A1 (en) | Method for identifying the named entity that corresponds to an owner of a web page | |
CN118013045B (zh) | 基于人工智能的语句情感检测方法及装置 | |
Samuel et al. | The dark side of sentiment analysis: An exploratory review using lexicons, dictionaries, and a statistical monkey and chimp | |
CN114116967A (zh) | 数据的清洗方法、装置、电子设备及计算机可读介质 | |
CN114595693A (zh) | 一种基于深度学习的文本情感分析方法 | |
Vadesara et al. | Corpus building for hate speech detection of gujarati language |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |