[发明专利]食药舆情分析方法

权利要求书

1.一种食药舆情分析方法，其特征在于：包括以下步骤：

S1.采集网络文本，并对网络文本进行预处理；

S2.对预处理后的网络文本进行分句处理，并剔出网络文本中的重复评论句；

S3.对分句处理后的每个评论句进行分词处理，提取出文本中的食药特征词；计算食药特征词之间的相似度，任意两个相似度小于设定阈值，则剔除其中一个特征词；

S4.构建分类词典，将每个评论句中的食药特征词划分到所对应的词典类别；

S5.构建情感词典，并从评论句中识别出食药特征词、情感词、程度词以及否定词；

S6.确定情感词的基础情感值，程度词的权重值以及否定词的权重值；

S7.构建食药情感倾向值计算模型，并根据情感倾向值计算模型确定所采集网络文本的舆情倾向；

步骤S3中，食药特征词之间的相似度通过如下方法计算：

其中，β为食药特征词A和食药特征词B之间的相似系数；Dis(A,B)为食药特征词A和食药特征词B之间的语义距离，其中，β≥1.5；

网络文本的总情感值S通过如下方法确定：

S＝S1+S2+S3，其中，S1为网络文本中一般陈述句的情感倾向值，S2为网络文本中转折句的情感倾向值，S3为条件句的情感倾向值；

转折句的情感倾向值通过如下方法计算：

其中，w_neg1为转折句中正向情感特征词的否定词的平均权重，w_neg2为转折句中负向情感特征词的否定词的平均权重，w_deg1为转折句中正向情感特征词的程度词的权重，w_deg2为转折句中负向情感特征词的程度词的权重，r₁为转折句中程度词的权重调节系数，t₁为转折句中否定词的权重调节系数；Se₁为转折句中正向情感特征词的情感值，Se₂为转折句中负向情感特征词的权重，q为转折句的个数。

2.根据权利要求1所述食药舆情分析方法，其特征在于：步骤S1中，具体包括：

S11.对网络文本进行有序化处理，并剔除网络文本中的停用词、无关词；

S12.对步骤S1中处理后的网络文本进行指代消解：

S121.基于fasttext分类模型对网络文本进行指代词检测；

S122.基于BiLSTM_CRF深度学习模型进行网络文本中的实体词进行提取；

S123.将网络文本的指代词替换成相对应的实体词。

3.根据权利要求1所述食药舆情分析方法，其特征在于：根据如下方法确定网络文本的舆情倾向：

判断网络文本的总情感值S与设定的情感值范围[-1,1]进行比较：

当S＜-1时，则网络文本对于食药的评价倾向为负向评价；

当S＞1时，则网络文本对于食药的评价倾向为正向评价；

当-1≤S≤1时，则网络文本对于食药的评价为中性评价；

将网络文本对于食药的负向评价记录为负向评价集，将网络文本的正向评价记录为正向评价集，将网络文本的中性评价记录为中性评价集。

4.根据权利要求1所述食药舆情分析方法，其特征在于：一般陈述句的情感倾向值通过如下方法计算：

其中，w_deg为第i个陈述句中的程度词的权重，Se为第i个陈述句中的情感特征词的情感值，w_neg为第i个陈述句中的否定词的平均权重，Q为网络文本中一般陈述句的个数，m为陈述句中否定词的个数。

5.根据权利要求1所述食药舆情分析方法，其特征在于：递进句的情感倾向值通过如下方法计算：

其中，Se为递进句的情感特征词的情感值，w_deg为递进句的程度词的权重，w_neg为递进句中的否定词的平均权重，m为否定词的个数，r₂为递进句中程度词的权重调节系数，t₂为递进句中否定词的权重调节系数。