【技术实现步骤摘要】
基于卷积神经网络的评价对象抽取方法及装置
本专利技术涉及人工智能
，具体地，涉及一种基于卷积神经网络的评价对象抽取方法及装置。
技术介绍
互联网的出现和普及带来了大量的信息，和其他数据一样，文本评论同样不断地从互联网当中产生。例如，淘宝、天猫和京东等众多电商平台允许用户对购买商品进行评价；网易云音乐、QQ音乐等音乐平台允许对歌手所发布的歌曲进行评价；Twitter、微博等大众社交平台允许用户之间各自的发文进行评价。其中，文本评论包含了用户对评价对象的情感倾向，即用户通过评论来表达对评价对象的喜好程度。因此对评论信息进行情感分析是辅助决策和优化评价对象的有效方法和途径。评价对象抽取在文本情感分析领域是一项基础且关键的任务，是指从评论文本中正确地提取构成目标评价对象的单词或者词组，也可视其为一种序列标注任务和一种细粒度的抽取任务，一条评论文本可能包含多个评价对象，完成正确的抽取有一定的难度，因此评价对象的抽取获得了广泛关注并存在较多的解决方案。近年来，随着词向量技术的发展，基于深度学习的方法能够自动地提取出文本的语义特征，...
【技术保护点】
1.一种基于卷积神经网络的评价对象抽取方法，其特征在于，包括：/n获取语句文本并根据所述语句文本中的各单词生成词向量矩阵；/n将所述词向量矩阵输入基于上文词向量矩阵、下文词向量矩阵和预设的卷积神经网络模型创建的词标签模型中，得到词标签得分矩阵；/n根据所述词标签得分矩阵确定各单词的词标签；其中，所述词标签包括评价对象词标签；/n抽取所述评价对象词标签对应的单词为评价对象。/n
【技术特征摘要】
1.一种基于卷积神经网络的评价对象抽取方法，其特征在于，包括：
获取语句文本并根据所述语句文本中的各单词生成词向量矩阵；
将所述词向量矩阵输入基于上文词向量矩阵、下文词向量矩阵和预设的卷积神经网络模型创建的词标签模型中，得到词标签得分矩阵；
根据所述词标签得分矩阵确定各单词的词标签；其中，所述词标签包括评价对象词标签；
抽取所述评价对象词标签对应的单词为评价对象。
2.根据权利要求1所述的基于卷积神经网络的评价对象抽取方法，其特征在于，创建词标签模型包括：
执行如下迭代处理：
根据所述上文词向量矩阵、所述下文词向量矩阵以及卷积神经网络模型中的模型参数得到模型得分矩阵；
根据所述模型得分矩阵和转移得分矩阵确定损失函数；
当当前迭代次数达到预设迭代次数时，根据当前迭代中的模型参数创建词标签模型，否则根据所述损失函数更新所述模型参数和所述转移得分矩阵，继续执行所述迭代处理。
3.根据权利要求2所述的基于卷积神经网络的评价对象抽取方法，其特征在于，所述模型参数包括：上文卷积过滤器、上文偏置项、下文卷积过滤器、下文偏置项、第一线性转换参数、第二线性转换参数、第三线性转换参数和得分偏置项；
根据所述上文词向量矩阵、所述下文词向量矩阵以及卷积神经网络模型中的模型参数得到模型得分矩阵包括：
根据所述上文词向量矩阵、所述上文卷积过滤器、所述上文偏置项和所述第一线性转换参数得到上文特征矩阵；
根据所述下文词向量矩阵、所述下文卷积过滤器、所述下文偏置项和所述第二线性转换参数得到下文特征矩阵；
根据所述上文特征矩阵、所述下文特征矩阵、所述第三线性转换参数和所述得分偏置项得到模型得分矩阵。
4.根据权利要求3所述的基于卷积神经网络的评价对象抽取方法，其特征在于，所述上文偏置项包括第一上文偏置项和第二上文偏置项；所述下文偏置项包括第一下文偏置项和第二下文偏置项；
根据所述上文词向量矩阵、所述上文卷积过滤器、所述上文偏置项和所述第一线性转换参数得到上文特征矩阵包括：
根据所述上文词向量矩阵、所述上文卷积过滤器和所述第一上文偏置项得到上文特征图矩阵；
根据所述上文特征图矩阵、所述第二上文偏置项和所述第一线性转换参数得到上文特征矩阵；
根据所述下文词向量矩阵、所述下文卷积过滤器、所述下文偏置项和所述第二线性转换参数得到下文特征矩阵包括：
根据所述下文词向量矩阵、所述下文卷积过滤器和所述第一下文偏置项得到下文特征图矩阵；
根据所述下文特征图矩阵、所述第二下文偏置项和所述第二线性转换参数得...
【专利技术属性】
技术研发人员：周武，杨柳清，黄艺媛，宋路祥，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11
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。