[发明专利]细粒度情感分析方法、装置、计算机设备及存储介质

权利要求书

1.一种细粒度情感分析方法，其特征在于，所述方法包括：

获取源领域数据集和目标领域数据集；其中，所述源领域数据集中的每条数据为评论文本、评论标签、评论分数的三元组格式数据；

搭建情感分析初始模型；

将源领域数据集的评论文本序列和评论标签序列进行向量化；

将向量化后的评论文本序列和评论标签序列输入情感分析初始模型进行训练，得到情感分析预训练模型；

利用情感分析预训练模型在目标领域数据集上进行微调训练，得到细粒度情感分析模型；

对待分析文本进行分词、去停用词处理，在处理后输入细粒度情感分析模型，进行细粒度情感分析，输出得到情感分析结果。

2.根据权利要求1所述的细粒度情感分析方法，其特征在于，所述情感分析初始模型包括双向长短期记忆网络层、注意力机制层和全连接层；

所述将向量化后的评论文本序列和评论标签序列输入情感分析初始模型进行训练，得到情感分析预训练模型，具体包括：

将向量化后的评论文本序列输入双向长短期记忆网络层，经特征映射后得到序列规律信息；

将向量化后的评论文本序列、向量化后的评论标签序列平均值和序列规律信息输入注意力机制层，对序列规律信息的各个元素进行加权，得到输出序列；

将输出序列输入全连接层，输出预测结果，并对情感分析初始模型的参数进行优化，得到情感分析预训练模型。

3.根据权利要求2所述的细粒度情感分析方法，其特征在于，所述对序列规律信息的各个元素进行加权，得到输出序列，如下：

S＝α₁h₁，α₂h₂，...，α_nh_n

其中，S为输出序列，(h₁，h₂，...，h_n)为序列规律信息；(α₁，α₂，...，α_n)为权重，其计算公式如下：

其中，1≤i≤n，1≤j≤n；w_i为向量化后的评论文本序列；score为得分函数，其计算公式如下：

score(T，w_i)＝v^Ttanh(W_hT+W_Tw_i+b)

其中，v^T、W_h、W_T为待学习的参数矩阵，b为注意力机制层的偏置值；T_i为向量化后的评论标签序列，1≤i≤n。

4.根据权利要求2所述的细粒度情感分析方法，其特征在于，所述将输出序列输入全连接层，输出预测结果，具体包括：

在全连接层中，输出序列经过一个ReLu层的映射，如下：

S′＝ReLu(WS+b)

其中，S为输出序列，S′为经过一个ReLu层映射得到的序列，W为待学习的参数矩阵，b为ReLu层的偏置值；

在全连接层最后的输出层中利用softmax函数进行映射，得到预测结果，如下：

其中，W′为待学习的参数矩阵，b′为全连接层最后的输出层的偏置值。

5.根据权利要求1-4任一项所述的细粒度情感分析方法，其特征在于，所述获取源领域数据集，具体包括：

从互联网上爬取带有评论标签的评论文本；

对评论文本和评论标签进行分词、去停用词处理，在处理后以评论文本、评论标签、评论分数的三元组格式进行存储，得到源领域数据集。

6.根据权利要求5所述的细粒度情感分析方法，其特征在于，所述从互联网上爬取带有评论标签的评论文本，具体为：采用Scrapy分布式爬虫框架从互联网上爬取带有评论标签的评论文本；

对评论文本和评论标签进行分词，具体为：采用开源的结巴分词工具对评论文本和评论标签进行分词；其中，评论标签分词后最大的长度为2。