[发明专利]细粒度情感分析模型构建方法、设备及可读存储介质

说明书

本发明公开了一种细粒度情感分析模型构建方法、设备及可读存储介质，本发明通过在进行细粒度情感分析过程中，利用类序列规则提取属性词和情感词，提高了属性词和情感词提取的准确率，使所挖掘的类序列规则随着所应用领域的待训练文本的变化而变化，提高了所构建的细粒度情感分析模型的泛化能力，以及使所构建的细粒度情感分析模型存在良好的可扩展性；通过类序列规则解决了情感词和属性词之间长距离依赖的问题，即解决了评价对象和评价词之间长距离依赖的问题，并通过注意力机制的神经网络提取与属性词相关的情感上下文信息，实现细粒度情感分析。

技术领域

本发明涉及计算机技术领域，尤其涉及一种细粒度情感分析模型构建方法、设备及可读存储介质。

背景技术

细粒度情感分析，又称属性级情感分析，属于文本情感分析的一个类别，该分析一般是针对评论文本中属性特征进行情感判断。相较于篇章级或句子级的情感分析，细粒度的情感分析能够更加具体明确地针对产品的相关属性特征来进行情感识别，所得的分析结果提供了更加详细的评价信息，因此更有参考意义和价值。

细粒度情感分析的第一个步骤是进行评价对象的抽取，评价对象抽取是从海量用户产品评价中获取消费者关心的产品属性。例如：“服务很好，设施蛮不错，但是房间隔音实在太差”。在这段关于酒店的评价中，消费者关心的产品属性为“服务”、“设施”和“隔音”，所以特征词的提取对细粒度情感分析起着非常关键的作用。评价对象抽取归结为两种方法，一种是基于词典、模板和针对特定领域的文本，人工制定规则来提取细粒度评价要素，如先确定候选对象，然后使用词性规则过滤候选集合，从而得到准确的评价对象。这种方法依赖于词典以及语言专家制定的规则，可扩展性差，泛化能力不强，对于情感词典里没有包含的网络新词等无法很好地进行识别，提取效果欠佳；另外一种方法则是将评价要素的提取作为序列标注问题，如采用条件随机场、隐马尔可夫模型等序列标注方法来提取出评价要素，但是这种方法无法解决评价词和评价对象之间长距离依赖的问题。由此可知，通过现有的评价对象抽取方法来判断情感倾向，存在可扩展性差，泛化能力不强，且无法解决评价词和评价对象之间长距离依赖的问题。

发明内容

本发明的主要目的在于提供一种细粒度情感分析模型构建方法、设备及可读存储介质，旨在解决现有的对文本的情感倾向判断方法存在可扩展性差，泛化能力不强，且无法解决评价词和评价对象之间长距离依赖的技术问题。

为实现上述目的，本发明提供一种细粒度情感分析模型构建方法，所述细粒度情感分析模型构建方法包括步骤：

当获取到第一预设数量的待训练分句后，对所述待训练分句进行分词操作，并为分词后所述待训练分句中的各个词语添加词性标签；

在所述待训练分句中获取第二预设数量的属性词和情感词，为所述属性词添加属性词标签，为所述情感词添加情感词标签，确定各个所述待训练分句对应的词性序列；

根据含有所述属性词标签和/或所述情感词标签的词性序列挖掘目标规则，并根据所述目标规则提取所述待训练分句中的属性词集合和情感词集合；

根据所述情感词集合中的各个情感词对应为所述属性词集合中的属性词添加情感类别标签；

将所述属性词集合中各个属性词和各个属性词对应的上下文信息进行向量化表示，得到所述属性词和所述上下文信息对应的词向量；

将所述属性词和所述上下文信息对应的词向量作为所述注意力机制的多层神经网络的输入，将与所述属性词对应的情感类别标签作为所述注意力机制的多层神经网络的输出结果，以构建细粒度情感分析模型。

优选地，所述将所述属性词和所述上下文信息对应的词向量作为所述注意力机制的多层神经网络的输入，将与所述属性词对应的情感类别标签作为所述注意力机制的多层神经网络的输出结果，以构建细粒度情感分析模型的步骤之后，还包括：

获取第三预设数量的待测试分句，根据所述目标规则提取所述待测试分句中的属性词；