实体情感分析方法及相关装置制造方法及图纸

本发明专利技术公开了一种实体情感分析方法及相关装置，所述实体情感分析方法中，对待预测文本进行分词处理得到所述待预测文本的词性序列后，再得到所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量，由实体情感预测模型对所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量进行预测，即可得到所述待预测文本中目标实体的情感倾向性的预测结果。由于在上述过程中，对待预测文本是进行分词处理得到词性序列，并得到词性序列中的每一个分词的向量和目标实体的向量，并不是由人工选词并提取词语特征，解决了由于人工选词且提供词语特征而导致的影响情感倾向性结果的准确性的问题。

Entity Emotion Analysis Method and Related Devices

【技术实现步骤摘要】
实体情感分析方法及相关装置
本专利技术涉及文本分析
，尤其涉及一种实体情感分析方法及相关装置。
技术介绍
文本情感分析主要是为了反映社交媒体中，用户关于某些事件、人物、企业、产品等的情感倾向性。实体情感分析是指分析文本中关于某些实体的情感倾向性，而非整个文本的倾向性，这样的好处是使得情感对象的分析粒度更加清晰。现有方案一般主要依赖于人工提取特征进行传统的机器学习分类算法。具体的，人工选择文本中目标实体周边的词语，并提取该词语的特征输入至分类器，由分类器进行情感分析，得到文本对目标实体的情感倾向性结果。由人工选择词语并提取词语的特征，会使得特征提取过程带有很强的主观性，会影响情感倾向性结果的准确性。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的实体情感分析方法及相关装置。一种实体情感分析方法，包括：获取待预测文本；对所述待预测文本进行分词处理，得到所述待预测文本的词性序列；获得所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量；利用实体情感预测模型对所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量进行预测，得到本文档来自技高网...

【技术保护点】
1.一种实体情感分析方法，其特征在于，包括：获取待预测文本；对所述待预测文本进行分词处理，得到所述待预测文本的词性序列；获得所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量；利用实体情感预测模型对所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量进行预测，得到所述待预测文本中目标实体的情感倾向性的预测结果；其中：所述实体情感预测模型基于第一原理构建得到；所述第一原理包括：迭代更新所述神经网络算法中的参数，直到利用更新参数后的神经网络算法对训练文本的特征向量进行预测而得到的预测结果等同于人工标注结果；所述训练文本的特征向量，依据所述训练文本的词性序列的向量和所述训练文本的词...

【技术特征摘要】
1.一种实体情感分析方法，其特征在于，包括：获取待预测文本；对所述待预测文本进行分词处理，得到所述待预测文本的词性序列；获得所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量；利用实体情感预测模型对所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量进行预测，得到所述待预测文本中目标实体的情感倾向性的预测结果；其中：所述实体情感预测模型基于第一原理构建得到；所述第一原理包括：迭代更新所述神经网络算法中的参数，直到利用更新参数后的神经网络算法对训练文本的特征向量进行预测而得到的预测结果等同于人工标注结果；所述训练文本的特征向量，依据所述训练文本的词性序列的向量和所述训练文本的词性序列中的目标实体的向量得到。2.根据权利要求1所述的方法，其特征在于，所述获得所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量，包括：分别获得所述待预测文本的词性序列中的每一个分词的词向量；将所述待预测文本的词性序列中的每一个分词的词向量和衰减因子相乘，得到所述待预测文本的词性序列中的每一个分词的向量；将所述待预测文本中对应所述目标实体的分词的向量，作为所述待预测文本的词性序列中的目标实体的向量。3.根据权利要求2所述的方法，其特征在于，还包括：获得所述待预测文本的词性序列中的每一个分词的词性向量、词包向量、以及相对目标实体距离的向量中的任意一个或组合；组合所述待预测文本的词性序列中的每一个分词的词向量、以及获得的待预测文本的词性序列中的每一个分词的词性向量、词包向量、以及相对目标实体距离的向量中的任意一个或组合，得到所述待预测文本的词性序列中的每一个分词的初始向量；其中，所述将所述待预测文本的词性序列中的每一个分词的词向量和衰减因子相乘，得到所述待预测文本的词性序列中的每一个分词的向量，包括：将所述待预测文本的词性序列中的每一个分词的初始向量和衰减因子相乘，得到所述待预测文本的词性序列中的每一个分词的向量。4.根据权利要求2所述的方法，其特征在于，若所述待预测文本中对应所述目标实体的分词包括多个，则将所述待预测文本中对应所述目标实体的多个分词的向量的平均值作为所述待预测文本的词性序列中的目标实体的向量。5.根据权利要求1所述的方法，其特征在于，所述利用实体情感预测模型对所述待预测文本的词性序列中的每一个分词的向量和目标实体的向量进行预测，得到所述待预测文本中目标实体的情感倾向性的预测结果，包括：对所述待预测文本的词性序列中的每一个分词的向量做加权平均处理，得到所述待预测文本的词性序列加权后的向量；将所述待预测文本的词性序列中的目标实体的向量与第一矩阵做乘，得到所述目标实体的派生向量；依据所述待预测文本的词性序列加权后的向量，和/或，所述待预测文本的词性序列中的目标实体的派生向量，得到特征向量；采用softmax函数处理所述特征向量，得到概率输出向量，其中，所述概率输出向量包括：所述待预测文本中目标实体分别在预设种类别的情感倾向性下...

【专利技术属性】
技术研发人员：王天祎，
申请(专利权)人：北京国双科技有限公司，
类型：发明
国别省市：北京,11