[发明专利]基于方面级细粒度的商品评论情感分析方法和系统

说明书

本发明提供一种基于方面级细粒度的商品评论情感分析方法、系统、存储介质和电子设备，涉及情感分析领域。本发明采用方面依赖树算法构建以所述方面词为根节点的语法树，并以图像矩阵进行存储；根据所述图像矩阵，采用递归算法获取根节点的初始特征表示；根据所述语法树和根节点的初始特征表示，引入预先构建的情感词典，获取根节点的最终特征表示；根据所述根节点的最终特征表示，采用深度学习方法获取所述商品评论数据的情感倾向。本发明构造以方面词为根节点的依赖树算法，对每个方面词进行情感预测，打破评论只涵盖一个情感倾向的局限性，提高预测方面级别情感倾向的准确率；有助于商家准确了解信息进行管理；有助于客户进行更好的挑选商品。

技术领域

本发明涉及情感分析技术领域，具体涉及一种基于方面级细粒度的商品评论情感分析方法、系统、存储介质和电子设备。

背景技术

商品评论数据是电子商务交易完成后，客户对产品的质量、价格、服务等方面的评价。商品评论数据已成为商家获取客户消费偏好、开展精准营销的重要信息来源。这种评价集往往带有很强的情感倾向。研究客户的情感倾向既能度量客户对企业的认可度，也能挖掘客户的消费偏好。

目前，预测商品评价情感现主要通过两种技术：第一，基于传统的机器学习，其主要形式为获取商品评论数据集利用机器学习算法来进行情感预测；第二，基于序列神经网络模型，其主要形式为基于词向量利用时序序列神经网络获得句子级别的特征向量进行直接预测。

但是，构建传统机器学习模型相对困难，传统的机器学习算法通常需要复杂的特征工程(特征工程内容零散，定义方式较模糊，大致包括特征提取和特征选择两个方面。)即机器学习对于特征的提取和特征选择的实现方法比较复杂，深度学习是一种通过多层神经网络对信息进行抽取和表示。而序列神经网络模型不能处理具有图结构的数据类型，而句法甚至句子本身都可以看作是图结构的数据，并没有被序列神经网络模型有效利用,同时序列神经网络并不能有效处理存在长依赖的语法关系。因此，如何提供一种更简便、更全方位的商品评论情感分析方案成了目前亟需解决的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于方面级细粒度的商品评论情感分析方法、系统、存储介质和电子设备，解决了现有商品评论情感分析方案复杂且无法充分利用评论数据的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于方面级细粒度的商品评论情感分析方法，包括：

S1、获取并预处理商品评论数据；

S2、根据预处理后的商品评论数据，获取所述预处理后的商品评论数据包含的方面词；

S3、采用方面依赖树算法构建以所述方面词为根节点的语法树，并以图像矩阵进行存储；

S4、根据所述图像矩阵，采用递归算法获取根节点的初始特征表示；

S5、根据所述语法树和根节点的初始特征表示，引入预先构建的情感词典，获取根节点的最终特征表示；

S6、根据所述根节点的最终特征表示，采用深度学习方法获取所述商品评论数据的情感倾向。

优选的，所述步骤S1中预处理过程包括：

采用Stanford Parser解析器对所述商品评论数据进行解析，获取所述商品评论数据中的实体信息，并将实体标记为1，其余部分标记为0；并将所述商品评论数据解析后的各个词性标签分别映射为对应的向量，将所述向量与每个单词的获得的标记拼接，获取中间向量。

优选的，所述步骤S2具体包括：