一种信息处理方法、装置及存储介质制造方法及图纸

本发明专利技术提供了一种信息处理方法、装置及存储介质；方法包括：获取源数据；基于目标词特征向量，对所述源数据中的每个子数据进行编码，得到每个子数据对应的隐特征向量；所述目标词特征向量表征情感特征标准；基于所述每个子数据对应的隐特征向量，得到与所述源数据对应的词特征向量；将所述词特征向量输入至预设的情感分类网络进行预测，得到所述源数据的情感极性预测结果。通过本发明专利技术，能够提高情感极性预测的准确度。

An Information Processing Method, Device and Storage Media

【技术实现步骤摘要】
一种信息处理方法、装置及存储介质
本专利技术涉及计算机应用的信息处理技术，尤其涉及一种信息处理方法、装置及存储介质。
技术介绍
神经网络模型架构现今已经成为情感极性分析的标准，目前主流的情感极性分析模型都基于卷积神经网络(CNN，ConvolutionalNeuralNetworks)或Attention机制。目前，采用深度CNN网络的架构来处理细粒度情感分析工作时，针对待分析数据的提取一段窗口的局部特征，根据局部特征和预设的aspect特征来指导数据编码，并基于数据编码结果进行非线性或线性转换，取出转换后的特征结果中的最大特征，基于最大特征进行情感极性预测。然而，采用上述方法对待分析数据进行情感分析的过程中，深度CNN网络的特征提取都是一段窗口的局部特征，导致忽略了局部特征的内容情感分析，从而导致采用局部特征和预设的aspect特征进行数据编码的时候，数据编码结果表征的情感极性的结果会不精确，最终导致了情感极性预测不准确。
技术实现思路
本专利技术实施例提供一种信息处理方法、装置及存储介质，能够提高情感极性预测的准确度。本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供一种信本文档来自技高网...

【技术保护点】
1.一种信息处理方法，其特征在于，包括：获取源数据；基于目标词特征向量，对所述源数据中的每个子数据进行编码，得到每个子数据对应的隐特征向量；所述目标词特征向量表征情感特征标准；基于所述每个子数据对应的隐特征向量，得到与所述源数据对应的词特征向量；将所述词特征向量输入至预设的情感分类网络进行预测，得到所述源数据的情感极性预测结果。

【技术特征摘要】
1.一种信息处理方法，其特征在于，包括：获取源数据；基于目标词特征向量，对所述源数据中的每个子数据进行编码，得到每个子数据对应的隐特征向量；所述目标词特征向量表征情感特征标准；基于所述每个子数据对应的隐特征向量，得到与所述源数据对应的词特征向量；将所述词特征向量输入至预设的情感分类网络进行预测，得到所述源数据的情感极性预测结果。2.根据权利要求1所述的方法，其特征在于，所述基于目标词特征向量，对所述源数据中的每个子数据进行编码，得到每个子数据对应的隐特征向量，包括：基于所述目标词特征向量和预设门控非线性变换模型，对所述源数据中的所述每个子数据进行编码，得到每个子数据对应的子特征向量；将所述述每个子数据对应的子特征向量作为所述每个子数据对应的隐特征向量。3.根据权利要求2所述的方法，其特征在于，所述基于所述目标词特征向量和预设门控非线性变换模型，对所述源数据中的所述每个子数据进行编码，得到每个子数据对应的子特征向量之后，所述方法还包括：基于每个子数据对应的子特征向量和预设特征变换模型，对所述源数据中的所述每个子数据进行预设深度级别的特征变换编码，得到所述每个子数据对应的隐特征向量。4.根据权利要求2或3所述的方法，其特征在于，当所述源数据中的每个子数据采用第t个子数据表示时，其中，t大于等于1，且小于等于N，N为所述源数据的子数据总数量；所述基于所述目标词特征向量和预设门控非线性变换模型，对所述源数据中的所述每个子数据进行编码，得到每个子数据对应的子特征向量，包括：当t不为1时，获取所述源数据中的第t-1个正向隐特征向量；基于所述第t-1个隐特征向量、所述目标词特征向量、所述预设门控非线性变换模型，对所述第t个子数据进行编码，得到所述第t个子数据对应的第t个正向隐特征向量，继续进行第t+1个子数据的编码，直至获取到第N个子数据的第N个正向隐特征向量为止；当t为1时，基于所述目标词特征向量和所述预设门控非线性变换模型，对所述第1个子数据进行编码，得到所述第1个子数据对应的第1个正向隐特征向量；将所述第1个正向隐特征向量至第N个正向隐特征向量作为所述每个子数据对应的子特征向量。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：当t不为N时，获取所述源数据中的第t+1个反向隐特征向量；基于所述第t+1个隐特征向量、所述目标词特征向量、所述预设门控非线性变换模型，对所述第t个子数据进行编码，得到所述第t个子数据对应的第t个反向隐特征向量，继续进行第t-1个子数据的编码，直至获取到第1个子数据的第1个反正向隐特征向量为止；当t为N时，基于所述目标词特征向量和所述预设门控非线性变换模型，对所述第t个子数据进行编码，得到所述第t个子数据对应的第t个反向隐特征向量；将所述第1个正向隐特征向量至第N个正向隐特征向量，分别对应于所述第1个反向隐特征向量至第N个反向隐特征向量进行拼接，得到所述第1个子特征向量至第N个子特征向量；将所述第1个子特征向量至第N个子特征向量作为所述每个子数据对应的子特征向量。6.根据权利要求3所述的方法，其特征在于，当所述源数据中的每个子数据采用第t个子数据表示时，其中，t大于等于1，且小于等于N，N为所述源数据的子数据总数量；所述基于每个子数据对应的子特征向量和预设特征变换模型，对所述源数据中的所述每个子数据进行预设深度级别的特征变换编码，得到所述每个子数据对应的隐特征向量，包括：当预设深度级别为L级时，针对第t个子特征向量的第1级别，根据所述预设特征变换模型，对第t个子特征向量做第1次特征变换编码，得到第1级隐特征向量；L为大于1的正整数；针对第t个子特征向量的第j级别，获取第t个子特征向量的第j-1级的第j-1级隐特征向量；其中，j...

【专利技术属性】
技术研发人员：孟凡东，梁云龙，张金超，周杰，徐金安，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44