[发明专利]一种评价方面确定方法和装置

说明书

本申请公开了一种评价方面确定方法和装置，该方法包括：根据评价文本的字符特征向量，生成所述评价文本的词向量；然后，将经过词性标注的所述词向量输入到配置依存跃迁结构的第一双向长短期记忆网络模型中进行运算，得到所述评价文本对应的第一预测标签序列；进而，基于所述第一预测标签序列，确定出所述评价文本的评价方面。本申请实施例提供的评价方面确定方法，将双向长短期记忆网络模型可学习长期序列依赖的能力和依存跃迁信息提供的句法结构先验知识结合起来，提高了评价方面确定的准确性，避免了需要借助额外的特征工程以及事先由人工制定规则模板的技术问题。

技术领域

本发明一般涉及信息技术领域，具体涉及一种评价方面确定方法和装置。

背景技术

现代社会中，互联网应用范围非常的广泛，给日常生活带来很大的乐趣和便利。在互联网上，我们可以聊天、玩游戏和查阅资料等。更为重要的是，人们还可以通过博客、微博以及贴吧等互联网产品来表达自己对商品与服务、社会热点事件与当事人的态度和观点。

近年来，主观性的态度和观点的发表量呈现出井喷式的增长态势。如何对具有感情色彩的评价方面进行确定，在企业产品竞争情报、社会舆情监控和市场趋势走向预测等应用领域中具有重要的研究价值。

相关技术中，采用的方案有：第一、基于频率和关联规则的评价方面确定方法，这种方法虽然易于实施，但是需要专家根据经验挑选模板以及制定匹配规则，而且由于容易受到频繁噪声的影响，确定精度较低；第二、在基于频率和关联规则的评价方面确定方法的基础上，引入点互信息(Point-wise Mutual Information，PMI)计算方法提升确定的精度，但是这种方法需要提前收集产品的类别指示判别器，同时点互信息的计算需要借助搜索引擎，将会消耗大量的时间；第三、基于深度学习的评价方面确定方法，通过循环神经网络模型(Recurrent Neural Network，RNN)和预先训练好的词嵌入进行模型训练，但是这种方法忽略了语言中能够传递有益信息的语法约束；第四、利用循环神经网络学习依存句法路径的分布式表示，并将该分布式表示作为条件随机场(Conditional Random Field，CRF)的特征进行训练，但是这种方法需要借助众多的特征工程才能工作，不能有效地利用神经网络具有强大建模能力的优势，而且还存在依存信息分布式表示的训练过程与评价方面的确定过程互相分离的问题。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种评价方面确定方法和装置，将双向长短期记忆网络模型可学习长期序列依赖的能力和依存跃迁信息提供的句法结构先验知识结合起来，能够提高评价方面确定的准确性，避免了需要借助额外的特征工程以及事先由人工制定规则模板的技术问题。

第一方面，本申请提供一种评价方面确定方法，包括：

根据评价文本的字符特征向量，生成所述评价文本的词向量；

将经过词性标注的所述词向量输入到配置依存跃迁结构的第一双向长短期记忆网络模型中进行运算，得到所述评价文本对应的第一预测标签序列；

基于所述第一预测标签序列，确定出所述评价文本的评价方面。

第二方面，本申请提供一种评价方面确定装置，包括：

词向量生成模块，用于根据评价文本的字符特征向量，生成所述评价文本的词向量；

标签序列预测模块，用于将经过词性标注的所述词向量输入到配置依存跃迁结构的第一双向长短期记忆网络模型中进行运算，得到所述评价文本对应的第一预测标签序列；

评价方面确定模块，用于基于所述第一预测标签序列，确定出所述评价文本的评价方面。