[发明专利]一种基于情感分析的学生在线学习评估方法及系统

说明书

本发明公开的基于情感分析的学生在线学习评估方法及系统，方法包括：获取评论信息；对评论信息进行预处理；采用训练好的情感分析模型对预处理后的信息进行情感分析，得到对在线课程的分析结果；词嵌入层采用ALBERT预训练模型对预处理后的信息进行训练，得到词向量表示，特征提取层采用MCNN模型和BI‑LSTM模型分别对词向量表示进行特征提取得到特征表示，特征叠加层将MCNN模型和BI‑LSTM模型对特征表示进行特征叠加，获取关键信息，得到最终的特征向量，将最终的特征向量输入到输出层，输出层将特征向量输入Softmax分离器中，得到含有情感标签的分析结果。该方法能提高复杂评论文本的情感分析的准确率。

技术领域

本发明涉及在线教育技术领域，具体涉及一种基于情感分析的学生在线学习评估方法及系统。

背景技术

自然语言处理是一门融合了语言学、计算机科学、数学于一体的学科，它的研究涉及到自然语言(人们日常使用语言)。自然语言处理主要应用于舆情监测、自动摘要、文本分类、机器翻译、语音识别、问题回答、文本分类等方面。随着深度学习的不断发展，自然语言处理这个领域也得到了更广泛的关注，其中的一个分支情感分析是教育智能时代用于挖掘学习情感以及探寻学习规律的一种重要方法。

情感分析(Sentiment Analysis，SA)是从文本中提取用户观点并将其分析为不同情感(如积极、消极、享受、无聊等)，以确定用户对某一特定主题或实体的态度。在学习过程中，情感与认知相互影响且紧密关联。

学生对在线课程的交互评论信息中包含了对课程的积极或消极态度，通过对用户的评论信息的分析与挖掘，可以很好地分析在线课程的质量和受欢迎程度，可以了解学生对该课程的满意程度。用户评论长短不一，表达方式多样，语言与标准文本存在差异。如果采用传统的机器学习算法来进行情感分析任务，在特征提取上就需要转换不同的方法，并且该类算法无法挖掘出文本深层次的信息以及上下文之间的联系，情感分析任务的准确率上就会大打折扣。

发明内容

针对现有技术中的缺陷，本发明实施例提供的一种基于情感分析的学生在线学习评估方法及系统，通过对获取的评论信息进行预处理，减少评论信息的噪音影响，情感分析模型采用ALBERT-MCNN-BI-LSTM模型，对复杂评论文本的情感分析有着较高的准确率。

第一方面，本发明实施例提供的一种基于情感分析的学生在线学习评估方法，包括：

获取学生对在线课程的评论信息；

对所述评论信息进行预处理，得到预处理后的信息；

采用训练好的情感分析模型对预处理后的信息进行情感分析，得到对在线课程的分析结果；

所述情感分析模型包括输入层、词嵌入层、特征提取层、特征叠加层和输出层，所述词嵌入层采用ALBERT预训练模型对预处理后的信息进行训练，得到每个单词的词向量表示，所述特征提取层采用MCNN模型和BI-LSTM模型分别对词向量表示进行特征提取得到特征表示，所述特征叠加层将MCNN模型和BI-LSTM模型对特征表示进行特征叠加，采用最大池化操作对关键信息进行获取，得到最终的特征向量，将最终的特征向量输入到输出层，所述输出层将特征向量输入Softmax分离器中，得到含有情感标签的分析结果。

第二方面，本发明实施例提供的一种基于情感分析的学生在线学习评估系统，包括：信息获取模块、预处理模块和评估模块，所述信息获取模块用于获取学生对在线课程的评论信息；

所述预处理模块用于对所述评论信息进行预处理，得到预处理后的信息；

所述评估模块用于采用训练好的情感分析模型对评论信息进行情感分析，得到对在线课程的分析结果；