[发明专利]一种方面级用户产品评论情感分析方法及系统

说明书

本发明涉及一种方面级用户产品评论情感分析方法及系统，该方法包括以下步骤：步骤A：提取用户的产品评论、评论涉及的产品方面词、产品方面词的位置信息，并对产品方面的情感极性进行标注，构建训练集SA；步骤B：使用训练集SA，训练用于方面级用户产品评论情感分析的融合MemNet与双向LSTM的深度学习网络模型M；步骤C：输入用户对产品的评论，提取评论涉及的产品方面词，将产品评论、产品方面词输入到训练好的深度学习网络模型M中，输出对产品方面的情感评价极性。该方法及系统有利于提高情感分类的准确性。

技术领域

本发明涉及自然语言处理与情感分析应用领域，具体涉及一种方面级用户产品评论情感分析方法及系统。

背景技术

情感分析(Sentiment Analysis，SA)，又被称为意见挖掘，是自然语言处理中文本分类任务的一项基本任务，其基本目标是从文本中识别观点，分析其情感倾向性。随着近年来社交媒体和电子商务的兴起，越来越多研究人员参与到该领域的研究。随着研究的深入，人们对情感分析的分类粒度要求也越来越高，从文档级、句子级再发展到如今的方面级(aspect level)。方面级情感分析的目标是识别给定的句子中的每一个方面的情感极性(积极、消极和中性)。如在句子“这款笔记本电脑的分辨率很高，但是价格一点贵”中，评论者对笔记本电脑(实体)的某个方面“分辨率”的情感极性为积极，而对另一个产品方面“价格”的情感极性为消极。

方面级情感分析的早期研究通常采用传统的监督学习算法，该类研究着重于通过诸如词袋模型、LDA等方法来提取特征以训练分类器。这些方法需要复杂的特征工程来提取文本特征，十分繁琐。最近，端到端的神经网络，例如长短期记忆网络(Long Short-TermMemory networks，LSTM)和记忆网络(Memory Network，MemNet)，已经在该任务上表现出最先进的性能，而且无需任何费力的特征工程。Wang等提出的ATAE-LSTM方法首次结合了LSTM和注意力机制，通过LSTM提取评论的上下文语义信息，再利用注意力机制提取评论对于情感分类最为重要的部分，该方法取得了当时最先进的结果。Tang等人将MemNet引入情感分析任务，通过外部记忆机制和多层注意力机制，在保存原本的语义信息的同时提取了句子中对方面信息最重要的片段，并且MemNet的参数远远少于LSTM网络，使得MemNet的训练时间远少于基于LSTM的方法。Ma等人提出IAN模型，将评论和方面信息分别使用基于注意力机制的LSTM进行建模，并且对生成的表征向量进行了交互操作，从而更好地提取了上下文语义信息。Chen等人提出RAM模型，该模型将LSTM与MemNet结合，并且使用GRU来对MemNet的计算层进行更新，并且引入位置权重，使得模型对情感信息的提取更加精确有效。Gu等人首次提出将位置信息与评论一起作为输入，由深度神经网络自行学习，通过分层交互注意力机制使得评论和方面信息更好的交互和融合，并且减少了噪声的影响。Xue等人的研究区别于以往的研究，将一种新型门控机制Tanh-ReLU与CNN结合起来进行学习，弥补了CNN网络在自然语言处理方面的不足，该门控机制Tanh-ReLU可以根据给定的方面或实体选择性地输出情感特征。该方法比现有模型中使用的注意力层简单得多。现有的基于注意力机制的模型虽然能将注意力权重集中到与产品方面相关的单词上，但是无法捕获长期依赖，同时也容易受到噪声影响从而将注意力集中到不相关的词上。

发明内容

本发明的目的在于提供一种方面级用户产品评论情感分析方法及系统，该方法及系统有利于提高情感分类的准确性。

为实现上述目的，本发明采用的技术方案是：一种方面级用户产品评论情感分析方法，包括以下步骤：

步骤A：提取用户的产品评论、评论涉及的产品方面词、产品方面词的位置信息，并对产品方面的情感极性进行标注，构建训练集SA；

步骤B：使用训练集SA，训练用于方面级用户产品评论情感分析的融合记忆网络与双向长短期记忆网络的深度学习网络模型M；