【技术实现步骤摘要】
一种多任务联合学习的面向评价对象的情感分析方法
本专利技术涉及多任务联合学习的面向评价对象的情感分析方法。
技术介绍
随着近几年互联网的发展，文本作为互联网中一种常用信息载体，呈现出爆发式增长的势态，如电商平台的用户评论、视频平台的弹幕、新闻、博客、聊天等，其中大量文本包含着用户对某种对象进行评价的信息，本文将带有这种信息的文本统称为评论。评论中包含用户的喜好、产品缺陷等非常有价值的信息，通过汇总大量评论中包含的信息，可以帮助平台更好地进行推送符合用户喜好的内容，可以帮助厂家对产品问题作出及时整改，也可以帮助用户总结其他人的经验。本专利技术采用深度学习的方法自动分析评论内容，进行评价对象、评价对象情感与评价词的联合抽取。评价对象抽取是指从评论中抽取文本所评价的对象，对象可以是某种事物，也可以是事物的某种属性；评价对象情感抽取，也称为评价对象情感判断，当给定文本中的评价对象，判断文本对该对象的情感取向，往往分为两种情况——褒或者贬(当文本对于文本中的某个对象无情感时，认为该文本不是该对象的评论)；评价词抽取，从评论中抽...
【技术保护点】
1.一种多任务联合学习的面向评价对象的情感分析方法，其特征在于：所述方法具体过程为：/n步骤一、将文本进行词向量表示；/n步骤二、基于步骤一将文本的词向量表示
【技术特征摘要】
1.一种多任务联合学习的面向评价对象的情感分析方法，其特征在于：所述方法具体过程为：
步骤一、将文本进行词向量表示；
步骤二、基于步骤一将文本的词向量表示进行初步抽象，得到共享表示；
步骤三、基于步骤二进行评价对象和评价词抽取，得到评价对象和评价词抽取的标签概率分布；
步骤四、基于步骤二和步骤三进行评价对象情感判断，得到评价对象情感判断的标签概率分布；
步骤五、基于步骤三、步骤四进行信息传递，得到更新后的概率分布probAE、probAS；
步骤六、基于步骤一到步骤五确定的模型结构，使用人工标注语料确定模型参数，得到情感分析模型，采用情感分析模型完成对评价对象的情感分析。
2.根据权利要求1所述一种多任务联合学习的面向评价对象的情感分析方法，其特征在于：所述步骤一中将文本进行词向量表示；具体过程为：
将文本X＝{w0,w1,...,wn}用领域词向量Edomain和通用词向量Egeneral进行表示并拼接为
其中，领域词向量通过目标领域未标注语料进行训练；
通用词向量通过不定领域的未标注语料进行训练；
Edomain＝Embeddingdomain(X)(1)
Egeneral＝Embeddinggeneral(X)(2)
式中，X为输入文本的索引表示，Embeddingdomain为领域词向量层；Edomain为领域词向量表示，Embeddinggeneral为通用词向量层；Egeneral为通用词向量表示；concatenate为对张量的最后一个维度进行拼接操作；为领域词向量和通用词向量拼接后的词向量表示，t表示信息传递的轮次，t＝0。
3.根据权利要求1或2所述一种多任务联合学习的面向评价对象的情感分析方法，其特征在于：所述步骤二中基于步骤一将文本的词向量表示进行初步抽象，得到共享表示；具体过程为：
使用单层CNN对文本的词向量表示进行初步抽象得到共享表示outputshared；
式中，outputshared为抽象得到的共享表示，CNNshared为用于初步抽象得到共享表示的CNN层。
4.根据权利要求3所述一种多任务联合学习的面向评价对象的情感分析方法，其特征在于：所述步骤三中基于步骤二进行评价对象和评价词抽取，得到评价对象和评价词抽取的标签概率分布；具体过程为：
使用双向GRU对步骤二的输出outputshared进行进一步抽象为outputrnn，使每个词素得到联系全文的表示；
全文指词素所在的整条评论；
词素表示文本进行分词后得到的每个词、符号以及分词错误得到的字符组合；
outputrnn＝GRUAE(outputshared)(5)
式中，outputrnn为GRUAE抽象后的上下文相关表示，GRUAE为用于评价对象和评价词抽取的GRU层；
将outputrnn与outputshared拼接得到outputAE；
式中，outputAE为拼接操作后的结果；
将outputAE进行线性变换LinearAE为5d，在经过softmax得到每个词素的标签概率分布probAE；
5d表示张量最后一个维度...
【专利技术属性】
技术研发人员：赵妍妍，王帅，秦兵，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。