[发明专利]一种情感分析方法、装置、存储介质及终端设备

说明书

本发明实施例公开了一种情感分析、装置、存储介质及终端设备。情感分析方法包括：获取待进行情感分析的目标数据；对目标数据进行分词处理，获取与目标数据对应的初始词向量集合；根据初始词向量集合确定目标数据中待分析目标对应的目标向量；将初始词向量集合及目标向量输入至预先训练的情感分析模型中，根据情感分析模型的输出结果，确定待分析目标的情感极性；其中，情感分析模型基于多层卷积神经网络训练生成。通过采用上述技术方案，能够基于多层卷积神经网络训练而成的情感分析模型，平行地接收和处理待进行情感分析的目标数据，并充分挖掘目标数据中关于特定目标的情感信息，可以准确、高效地分析出相关数据中特定目标的情感极性。

技术领域

本发明实施例涉及大数据处理技术领域，尤其涉及情感分析方法、装置、存储介质及终端设备。

背景技术

随着互联网行业的迅猛发展，各类网络社交平台、电商平台已融入了人们的生活中，在网络上发表自己的观点和评论已变得稀疏平常。这些观点或评论中大多蕴含着个人情感，通过对这些情感的挖掘，商家可以知晓大众对商品的看法，对商品本身或营销策略等做出进一步的修改；消费者可以通过浏览该商品的评价信息，做出是否购买的决策；政府可掌握热点问题的网络舆情，从而制定更为合理的政策。

利用自然语言处理技术完成对文本中情感的挖掘，被称为情感分析。常见的情感分析任务是对情感极性的分类，或按照积极、消极、中立分为三类，或是按照强烈支持、较为支持、中立、较反对、强烈反对分为五类等等。不同于以文档或语句为整体做出的情感极性判断，特定目标的情感分析是细粒度的。通常一句评论中不止包含一个评价目标，若以评论为整体做出极性判断不够细致和明确，特定目标的情感分析旨在获取每一个评价目标所对应的情感。这样的任务实用价值更高、挑战更大。其主要的研究方法从浅层特征的学习过渡到挖掘深层语义的深度学习，并且应用深度学习的方法实现特定目标情感分析已经逐渐成为主流方法。

相关技术中，常用的目标情感分析方法为一种基于注意力和目标嵌入的LSTM方法(ATAE-LSTM)。该方法为使模型更好的关注目标信息，其将目标词向量连接到每个单词的输入向量上，再利用LSTM建模上下文，最后采用注意力机制挖掘其中的重要信息。具体的实现步骤为：1)将评论中每一个词向量与目标词向量拼接，并将其通过长短时记忆神经网络(LSTM)，即可获取每个单词的基于上下文信息的向量；2)将各个单词的上下文向量通过注意力机制，以获取相对于特定目标而言各上下文向量的情感权重；3)通过将各词的上下文向量按照权重加权平均的方法获取对评论的情感表示向量，将该向量通过全连接层与softmax函数即可获取该评论的情感极性。

然而，上述方法主要是在循环神经网络(Recurrent Neural Network,RNN)的基础上结合注意力机制，完成句子建模和句中重要情感信息的获取。虽然RNN可很好的完成序列数据的处理，但其每个时刻的状态都和上一时刻有关，不能平行的接收输入数据，所以其注意力机制无法准确的获取每个词的重要性。而且上述方法只对上下文进行了一次建模，即其只利用RNN获取了一种上下文表示。这种只对上下文进行一次建模的方法会使上下文表示不够充分、不够深刻。而通常情况下特定目标的情感极性只需部分上下文就可以决定。如在句子“great food but the service was dreadful”中，“great”决定了目标词“food”的情感是积极的，而句子的其他部分则对极性的判断影响很小。因此，提供一种有效、准确的挖掘句中情感信息的方法，变得至关重要。

发明内容

本发明实施例提供一种情感分析方法、装置、存储介质及终端设备，可以准确、高效地对相关数据中的特定目标的情感极性进行分析。

第一方面，本发明实施例提供了一种情感分析方法，包括：

获取待进行情感分析的目标数据；

对所述目标数据进行分词处理，获取与所述目标数据对应的初始词向量集合；

根据所述初始词向量集合确定所述目标数据中待分析目标对应的目标向量；