一种细粒度情感分析方法技术

本发明专利技术涉及一种细粒度情感分析方法，涉及自然语言处理领域。该方法包括以下步骤：为数据集中每条样本生成序列标签和位置嵌入向量、添加“<start>”和“<end>”标志以标识样本的首尾、添加标签“<pad>”以补齐样本长度，之后将样本通过词典转化为整数编码序列，输入bert模型生成样本的嵌入向量；搭建实体数量预测模型、实体起始位置标注模型和实体长度预测模型，并将样本分别输入三个模型进行训练，完成评价对象提取(OTE)；搭建情感预测模型，并将样本输入该模型进行训练，完成情感极性分析(OSC)；顺次连接以上训练完毕的四个模型，输入待预测样本，抽取评价对象并分析评价对象的情感极性。本发明专利技术可用于抽取评论文本中的评价对象及对其进行情感分析。其进行情感分析。其进行情感分析。

【技术实现步骤摘要】
一种细粒度情感分析方法


[0001]本专利技术涉及自然语言处理领域，具体涉及一种细粒度情感分析方法，用于抽取评论文本中的评价对象并判断其情感极性的方法。

技术介绍

[0002]细粒度情感分析，是目前自然语言处理领域中最热门的一项语义分析任务，其目的在于抽取非结构化的评论文本中的评价对象(关键词)，并根据上下文得到其对应情感极性。细粒度情感分析任务的提出是因为过去粗粒度情感分析任务无法满足当下人们的需求。粗粒度情感分析任务的对象是一个文档(句子)，它只能得到文档(句子)整体的情感极性倾向。但是现实世界中的事物都是多方面的，一个评论文本往往会对同一个事物的不同方面做出评价。如“这家餐厅食物很好吃，但是服务态度很差，交通也不方便。”这句评论涉及了三个评价对象且评价的极性也不同。粗粒度情感分析来分析该评论文本的时候就无法做出多方面、客观的评价，相比之下，细粒度情感分析则可以识别出“食物、”“服务态度”“交通”三个评价对象及对应情感极性。细粒度情感分析可以提取出更具体、更多元、更客观的信息，这一点具有十分广阔的应用前景和潜在价值。对于用户而言，用户可以更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于细粒度情感分析的方法，其特征在于，所述方法包括以下步骤：步骤1：为数据集中每条样本生成序列标签和位置嵌入向量、标识样本的首尾并补齐样本长度，之后将样本转化为整数编码序列，输入bert模型生成样本的嵌入向量；步骤2：搭建实体数量预测模型、实体起始位置标注模型和实体长度预测模型，并将步骤1中的样本的嵌入向量分别输入三个模型进行训练，完成评价对象提取任务；步骤3：搭建情感预测模型，并将步骤1中的样本的嵌入向量输入情感预测模型进行训练，完成情感极性分析任务；步骤4：顺次连接训练后的实体数量预测模型、标注模型、实体长度预测模型以及情感预测模型，输入待预测文本，抽取评价对象并分析评价对象的情感极性。2.根据权利要求1所述的方法，其特征在于，步骤2中，实体数量预测模型的搭建步骤具体包括：搭建输入层，输入向量化的文本序列；搭建可训练的位置嵌入模型，与向量输入连接相加；搭建批量归一化模型，使得加上可训练的位置嵌入模型的样本近似服从N(0,1)分布；搭建双向门控循环单元网络提取样本特征，增强词语间的前后联系；搭建注意力池化模型，对样本特征进行降维压缩；使用focal loss作为损失函数、Nadam作为优化器，将步骤1中的样本的嵌入向量输入实体数量预测模型进行训练。3.根据权利要求1所述的方法，其特征在于，步骤2中，标注模型的搭建步骤具体包括：搭建输入层，输入向量化的文本序列；搭建可训练的可训练的位置嵌入模型，与向量输入连接相加；搭建批量归一化模型，使得加上可训练的位置嵌入模型的样本近似服从N(0,1)分布；搭建集成学习层，将双向门控循环单元网络、动态图卷积神经网络、有序长短时记忆模型和多头注意力机制模型融合；将步骤1中的样本的嵌入向量输入标注模型进行训练。4.根据权利要求3所述的方法，其特征在于，集成学习层的搭建步骤具体包括：搭建双向门控循环单元网络，增强样本词语间的前后联系，通过奇异值矩阵分解算法将其输出分解，仅取其奇异值矩阵V；搭建动态图卷积神经网络，将序列中的前后语句构建联系；搭建有序长短时记...

【专利技术属性】
技术研发人员：闫琰，周法国，张潇，李旭峰，葛逸凡，李嘉裕，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：