[发明专利]基于卷积神经网络的评价对象抽取方法及装置

说明书

本发明提供一种基于卷积神经网络的评价对象抽取方法及装置，属于人工智能技术领域。该基于卷积神经网络的评价对象抽取方法包括：获取语句文本并根据所述语句文本中的各单词生成词向量矩阵；将词向量矩阵输入基于上文词向量矩阵、下文词向量矩阵和预设的卷积神经网络模型创建的词标签模型中，得到词标签得分矩阵；根据词标签得分矩阵确定各单词的词标签；其中，词标签包括评价对象词标签；抽取评价对象词标签对应的单词为评价对象。本发明可以提高抽取评价对象的效率和准确性。

技术领域

本发明涉及人工智能技术领域，具体地，涉及一种基于卷积神经网络的评价对象抽取方法及装置。

背景技术

互联网的出现和普及带来了大量的信息，和其他数据一样，文本评论同样不断地从互联网当中产生。例如，淘宝、天猫和京东等众多电商平台允许用户对购买商品进行评价；网易云音乐、QQ音乐等音乐平台允许对歌手所发布的歌曲进行评价；Twitter、微博等大众社交平台允许用户之间各自的发文进行评价。其中，文本评论包含了用户对评价对象的情感倾向，即用户通过评论来表达对评价对象的喜好程度。因此对评论信息进行情感分析是辅助决策和优化评价对象的有效方法和途径。评价对象抽取在文本情感分析领域是一项基础且关键的任务，是指从评论文本中正确地提取构成目标评价对象的单词或者词组，也可视其为一种序列标注任务和一种细粒度的抽取任务，一条评论文本可能包含多个评价对象，完成正确的抽取有一定的难度，因此评价对象的抽取获得了广泛关注并存在较多的解决方案。近年来，随着词向量技术的发展，基于深度学习的方法能够自动地提取出文本的语义特征，避免了人工提取特征繁琐的过程以及不确定性，因此可以被广泛地应用于解决该领域的问题。基于深度学习的方法主要包括卷积神经网络(Convolutional Neural Network，CNN)和循环神经网络(Recurrent Neural Network，RNN)两大类。其中，RNN模型具有记忆序列信息的能力，对序列建模上具备一定的优势，但一般RNN模型的参数较多，每一步的计算都需要前一步计算的结果，因此RNN模型未能充分发挥GPU的并行能力且训练时间相对较长，降低了抽取评价对象的效率；另外，RNN模型也无法融入评价对象的上下文特征并进行准确的识别。

发明内容

本发明实施例的主要目的在于提供一种基于卷积神经网络的评价对象抽取方法及装置，以提高抽取评价对象的效率和准确性。

为了实现上述目的，本发明实施例提供一种基于卷积神经网络的评价对象抽取方法，包括：

获取语句文本并根据所述语句文本中的各单词生成词向量矩阵；

将词向量矩阵输入基于上文词向量矩阵、下文词向量矩阵和预设的卷积神经网络模型创建的词标签模型中，得到词标签得分矩阵；

根据词标签得分矩阵确定各单词的词标签；其中，词标签包括评价对象词标签；

抽取评价对象词标签对应的单词为评价对象。

本发明实施例还提供一种基于卷积神经网络的评价对象抽取装置，包括：

词向量矩阵获取模块，用于获取语句文本并根据语句文本中的各单词生成词向量矩阵；

词标签得分矩阵模块，用于将词向量矩阵输入基于上文词向量矩阵、下文词向量矩阵和预设的卷积神经网络模型创建的词标签模型中，得到词标签得分矩阵；

词标签模块，用于根据词标签得分矩阵确定各单词的词标签；其中，词标签包括评价对象词标签；

评价对象抽取模块，用于抽取评价对象词标签对应的单词为评价对象。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的基于卷积神经网络的评价对象抽取方法的步骤。