[发明专利]实体情感分析方法及相关装置

权利要求书

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，所述词性序列包括分词序列和词性结果；

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，其中，分词的向量包括词性向量、词包向量以及相对目标实体距离的向量，每一个分词的词包向量为每一个分词和行业领域词包的所属关系进行编码得到的；

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；

其中，所述实体情感预测模型的构建过程，包括：

对训练文本进行分词处理，得到所述训练文本的词性序列；

获得所述训练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；

对所述训练文本的词性序列中的每一个分词的向量做加权平均处理，得到所述训练文本的词性序列加权后的向量；

将所述训练文本的词性序列中的目标实体的向量与第一矩阵做乘，得到所述训练文本的词性序列中的目标实体的派生向量，所述第一矩阵为m×m的矩阵，m为所述训练文本的词性序列中的目标实体的向量的维数，所述第一矩阵的具体数值为随机初始化的数值，每个数值选择-0.1~0.1区间均匀分布的小数；

依据所述训练文本的词性序列加权后的向量，和/或所述训练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：所述训练文本中目标实体分别在预设种类别的情感倾向性下的概率值；

将所述概率输出向量与所述训练文本的人工标注类别进行交叉熵运算，获得损失函数；

优化所述损失函数，并根据优化后的损失函数更新第一参数，直至利用更新后的第一参数得到的特征向量对所述训练文本进行预测得到的概率输出向量与所述训练文本的人工标注类别等同为止；其中，所述第一参数包括所述第一矩阵、所述softmax函数以及所述训练文本的词性序列中的每一个分词的向量；

将更新后的第二参数作为实体情感预测模型；其中，所述第二参数包括：所述第一矩阵和所述softmax函数。

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。