[发明专利]基于词性特征和观点特征结合卷积神经网络的电商评论情感分析模型

说明书

基于词性特征和观点特征结合卷积神经网络的电商评论情感分析模型，包括以下步骤；步骤一：利用词性、依存句法分析和语义依存分析制定规则进行观点特征提取；步骤二：在词向量的表示基础上采用向量拼接的方法引入词性特征和观点特征；步骤三：将词向量与扩展特征向量作为卷积神经网络的两个输入通道进行情感分析。本发明以解决评论与其评分不相符问题，进而帮助商家提高服务质量、升级产品性能。

技术领域

本发明涉及电商评论技术领域，特别涉及基于词性特征和观点特征结合卷积神经网络的电商评论情感分析模型。

背景技术

随着互联网的快速普及，越来越多的产业由线下转为线上，其中电商行业更是以逐年递增的用户量和交易量迅猛发展。由于电子商务的线上销售特点，用户通常文本评论的方式对其购买商品的体验进行反馈，其内容不止为商家提取了建议，也为其他顾客提供了参考，具有极高的商业价值和社会价值，但此类数据具有篇幅小、规范性弱等特点，如何从这类文本中获得评价信息中蕴含的情感倾向，进而帮助商家提高服务质量、升级产品性能，成为了情感分析技术的研究热点。

目前的情感分析技术，包括以下几种：

情感词典的方法：简单地把文本看作是词语或者短语的集合，仅利用词典判断词语的情感极性，而不考虑文本中上下文的关系。

机器学习的方法：通过有监督的方式训练一个模型，根据该模型进行文本的情感分析。其中深度神经网络能够在更抽象的层面上描述原始数据的特征情况，而不过度依赖特征的选取。

发明内容

为了解决以上技术问题，本发明的目的在于提供基于词性特征和观点特征结合卷积神经网络的电商评论情感分析模型，以解决评论与其评分不相符问题，进而帮助商家提高服务质量、升级产品性能。

为了实现上述目的，本发明采用的技术方案是：

基于词性特征和观点特征结合卷积神经网络的电商评论情感分析模型，包括以下步骤；

步骤一：

利用词性、依存句法分析和语义依存分析制定规则进行观点特征提取；

步骤二：

在词向量的表示基础上采用向量拼接的方法引入词性特征和观点特征；

步骤三：

将词向量与扩展特征向量作为卷积神经网络的两个输入通道进行情感分析。

所述的步骤一中观点特征提取基于词性融合依存句法分析和语义依存分析制定规则进行观点特征的提取。

所述的步骤二中的观点特征包括描述及词性分析，分别为评论对象，观点词、程度词和情感词。

所述的步骤一中规则制定依据LTP。

所述的步骤三中卷积神经网络具体为：

所述的步骤三中的卷积神经网络包括输入层、卷积层、池化层和全连接层以及输出层；首先从输入层传入数据，其次通过卷积层进行特征提取，然后利用池化层对特征进行筛选，降低特征维度，最后在全连接层进行特征组合，再通过输出层输出分类结果。

所述的输入层具体为：

本模型采用双通道的输入策略，其中一通道为原始的文本词向量，另一通道为融入词性特征和观点特征的扩展向量W：

所述的卷积层具体为：

在文本卷积神经网络中，通常选取不同h大小的卷积核在文本矩阵相邻的词上进行滑动以获取丰富的局部特征，本模型使用多卷积核的方式进行卷积操作，所选择的3组卷积核大小分别为2、3、4；

所述的池化层具体为：