[发明专利]一种面向目标的情感分类方法

说明书

本发明公开了一种面向目标的情感分类方法，属于大数据技术领域，包括建立客户端服务器和中心服务器，客户端服务器用于收集文本信息，并将文本信息发送给中心服务器；在中心服务器中建立预处理模块、GloVe模型模块、位置信息编码模块、注意力编码器和分类器模块，解决了提取出待分析的目标序列，针对该目标序列完成面向目标的情感分析的技术问题，适用于需要进行细粒度情感分析的场景，本发明可以实现对语句中包含多个待分析的目标，不同目标具有不同的情感色彩的文本进行感情分类，提取更加准确有效。

技术领域

本发明属于大数据技术领域，尤其涉及一种面向目标的情感分类方法。

背景技术

情感分类也称为观点挖掘，是自然语言处理的一个领域，它用于在文本段落中提取相关事物的观点并识别其情感倾向。目前，情感分类技术应用在越来越多的领域中，随着互联网上公开信息不断的增长，在社交网络、新闻资源、商业、政府系统平台上存在着大量带有主观情感色彩的文本，利用情感分析技术，可以对非结构化的文本信息进行观点提取、分析、处理，最后得到结构化的数据，直观的展现给用户。

现阶段情感分类使用的技术主要有两大类：基于机器学习的方法和基于深度学习的方法。基于机器学习的方法至今技术已经发展的较为成熟，常见的有贝叶斯分类器、支持向量机、逻辑斯谛回归等等，使用这些传统的机器学习方法进行情感分类时，模型根据输入的文本特征，对文本中带有的主观情感进行学习，训练得到一个分类器，使得最终的分类误差最小，最后可以使用该分类器对其他文本中的情感进行分析并得到结果。在此过程中特征工程是十分重要的环节，特征的好坏直接影响着分类器的最终表现效果，该方法最大的缺点是：输入分类器的特征需要人工设计规则并提取，如目前广泛使用的基于词典规则提取文本关键词技术，通过使用TF-IDF等技术将关键词转换为向量表示，并用其作为文本的特征。由于不同领域需要制定不同的关键词提取规则，因此该方法的工作量十分庞大，同时不能保证提取的特征质量。

基于深度学习的方法使用神经网络技术提取文本的特征，对提取到的特征训练一个分类器完成情感的分类任务，常见的用于处理文本的神经网络主要有：循环神经网络、卷积神经网络等。

无论是基于机器学习的方法还是基于深度学习的方法，目前都是面向整段文本或句子的情感分析，属于单一模式，若一语句中包含多个待分析的目标，不同目标具有不同的情感色彩，此时，这种粗粒度的情感分类方法分析得到的结果将不再准确，需要针对不同的目标对象进行细粒度的情感分类。

发明内容

本发明的目的是提供一种面向目标的情感分类方法，解决了提取出待分析的目标序列，针对该目标序列完成面向目标的情感分析的技术问题。

为实现上述目的，本发明采用如下技术方案：

一种面向目标的情感分类方法，包括如下步骤：

步骤1：建立客户端服务器和中心服务器，客户端服务器用于收集文本信息，并将文本信息发送给中心服务器；

在中心服务器中建立预处理模块、GloVe模型模块、位置信息编码模块、注意力编码器和分类器模块；

步骤2：中心服务器获取到文本信息后，通过预处理模块对文本信息中带有主观情感色彩的文本数据进行预处理，分别表示出文本数据中的文本语句和目标序列，具体包括如下步骤：

步骤A1：建立中文停用词词典，根据中文停用词词典对文本数据中含有的停用词进行删除，同时根据中文停用词词典删除文本数据中包含的不完整文本数据，得到原语句数据；

步骤A2：将原语句数据中的带有感情色彩的语句作为待测目标，为待测目标建立目标序列，对目标序列进行提取，得到目标序列对应原语句数据的子序列；

步骤A3：对原语句数据和目标序列进行序列化操作，完成文本数据的序列化操作；