欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023104055426
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.意见挖掘方法,其特征在于,包括:

S1、获取评论文本,将评论文本转换为token序列;

S2、对所述token序列进行编码,得到上下文表示;

S3、根据所述上下文表示获取评论主体位置的中间层表示,并通过分类器预测评论主体的位置;根据所述上下文表示获取评论词位置的中间层表示,并通过分类器预测评论词的位置;

S4、根据所述上下文表示获取评论主体位置的新的中间层表示和评论词位置的新的中间层表示;根据评论主体位置的新的中间层表示和评论词位置的新的中间层表示,捕捉评论主体和评论词组成的词对之间的依赖关系,得到词对关系的中间层表示,并选择概率值最大的关系作为词对关系;根据词对关系,通过预测的评论主体的位置得到对应的评论主体,通过预测的评论词的位置得到对应的评论词;

其中,步骤S4包括,

S41、根据所述上下文表示获取评论主体位置的新的中间层表示Ra’和评论词位置的新的中间层表示Ro’,如下:Ra’=Relu(W1’·H+b1’)

Ro’=Relu(W3’·H+b3’)

其中,H为上下文表示;Relu为激活函数;W1’和W3’为可学习的参数矩阵;b1’和b3’为偏差;

S42、将评论主体和评论词组成的词对之间的关系定义为“正向”、“负向”、“中性”、“无关系”四种类别,利用双放射函数捕捉评论主体和评论词组成的词对之间的依赖关系,得到词对关系的中间层表示Si,j,k,如下:T

Si,j,k=[Wk·Ra’+bk] Ro’其中,Wk为可学习的参数矩阵;bk为偏差;

并选择概率值最大的关系作为词对关系r,如下:Si,j,k’=softmax(Si,j,k)其中,Si,j,k’表示词对(wi,wj)是第k种关系的概率;wi为评论文本中的第i个词;wj为评论文本中的第j个词;

S43、根据词对关系r,当r不属于“无关系”类别,通过预测的评论主体的位置得到对应的评论主体a,通过预测的评论词的位置得到对应的评论词o,得到一个三元组“评论主体a,评论词o,词对关系r”。

2.根据权利要求1所述的意见挖掘方法,其特征在于,在步骤S3中,根据所述上下文表示获取评论主体位置的中间层表示Ra,如下:Ra=Relu(W1·H+b1)

其中,H为上下文表示;Relu为激活函数;W1为可学习的参数矩阵;b1为偏差;

并通过分类器预测评论主体的位置,如下:

Ra_index=softmax(W2·Ra+b2)其中,Ra_index为评论主体索引序列,其中标识了评论主体的位置;softmax为分类函数;

W2为可学习的参数矩阵;b2为偏差。

3.根据权利要求2所述的意见挖掘方法,其特征在于,评论主体索引序列Ra_index中包含

0,1,2三种元素;在步骤S4中,所述通过预测的评论主体的位置得到对应的评论主体,包括:Ra_index(i)=0,表示wi不是评论主体;

Ra_index(i)=1,表示wi是评论主体的首字;

Ra_index(i)=2,表示wi是评论主体的一部分,循环执行i’=i‑1,直到Ra_index(i’)=1,序列[i’,i]所对应的文本内容即为wi所对应的评论主体a;

其中,wi为评论文本中的第i个词。

4.根据权利要求1所述的意见挖掘方法,其特征在于,在步骤S3中,根据所述上下文表示获取评论词位置的中间层表示Ro,如下:Ro=Relu(W3·H+b3)

其中,H为上下文表示;Relu为激活函数;W3为可学习的参数矩阵;b3为偏差;

并通过分类器预测评论词的位置,如下:

Ro_index=softmax(W4·Ro+b4)其中,Ro_index为评论词索引序列,其中标识了评论词的位置;softmax为分类函数;W4为可学习的参数矩阵;b4为偏差。

5.根据权利要求4所述的意见挖掘方法,其特征在于,评论词索引序列Ro_index中包含0,

1,2三种元素;在步骤S4中,所述通过预测的评论词的位置得到对应的评论词,包括:Ro_index(j)=0,表示wj不是评论词;

Ro_index(j)=1,表示wj是评论词的首字;

Ro_index(j)=2,表示wj是评论词的一部分,循环执行j’=j‑1,直到Ro_index(j’)=1,序列[j’,j]所对应的文本内容即为wj所对应的评论词o;

其中,wj为评论文本中的第j个词。

6.根据权利要求1所述的意见挖掘方法,其特征在于,还包括以下步骤:根据所述上下文表示,通过分类器预测评论主体的类别。

7.根据权利要求1所述的意见挖掘方法,其特征在于,还包括以下步骤:根据所述上下文表示,通过平均池化得到评论文本的中间层表示,根据评论文本的中间层表示通过分类器预测句子级别的情感极性。

8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。