一种情感极性强度分类方法、系统、电子设备及介质技术方案

本申请公开了一种情感极性强度分类方法、系统、电子设备及介质，情感极性强度分类方法包括：词典构建步骤：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；机器学习模型构建步骤：对情感极性强度分类模型进行预训练获得机器学习模型后，所述机器学习模型输出情感极性强度概率；情感分析结果计算步骤：通过所述词典获得情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出情感分析结果；情感极性强度确定步骤：根据所述情感分析结果计算出加权投票融合之后的得分结果，通过判断所述得分结果所在的预设情感极性强度区间来确定所述语料最终的情感极性强度。最终的情感极性强度。最终的情感极性强度。

【技术实现步骤摘要】
一种情感极性强度分类方法、系统、电子设备及介质


[0001]本申请涉及营销智能
，尤其涉及一种情感极性强度分类方法、系统、电子设备及介质。

技术介绍

[0002]在商业领域，客户投诉是一种很常见的行为，公司出售商品或者服务，客户也会对此发表相应的见解和评论，这些见解和评论大多是以文本的形式存在，表达着人们的态度和情绪。在客诉的场景下，这些情绪可以根据情感极性强度分为高、中、低三个等级，不同的等级对应着不同的处理方式，将这些文本数据进行情感极性分析并统计，在社会和商业领域都具有重要意义。因此现有算法为了提高情感极性准确率，需要复杂计算和大量训练集的支撑，不能及时反映客户情感，这极大影响了客户评论的实时性效力，从而影响情感分析结果的应用价值，不利于快速了解客户的情感走向。

技术实现思路

[0003]本申请实施例提供了一种情感极性强度分类方法、系统、电子设备及介质，以至少通过本专利技术解决了情感极性强度分类过程中词典构建复杂、情感极性强度分类结果准确率、稳定性以及工作效率低等问题。
[0004]本专利技术提供了情感极性强度分类方法，包括：
[0005]词典构建步骤：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；
[0006]机器学习模型构建步骤：对情感极性强度分类模型进行预训练获得机器学习模型后，所述机器学习模型输出情感极性强度概率；
[0007]情感分析结果计算步骤：通过所述词典获得情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出情感分析结果；
[0008]情感极性强度确定步骤：根据所述情感分析结果计算出加权投票融合之后的得分结果，通过判断所述得分结果所在的预设情感极性强度区间来确定所述语料最终的情感极性强度。
[0009]上述的情感极性强度分类方法中，所述词典构建步骤包括：
[0010]关键词筛选步骤：对标注情感极性强度的所述语料进行分词后，根据TFIDF值初步选出所述语料对应的关键词，通过人工再次筛选所述关键词，获取所述最终关键词；
[0011]字典获取步骤：根据所述最终关键词所属的所述语料的情感极性强度，对所述最终关键词进行所述情感极性强度的标注，由所述最终关键词组成所述词典。
[0012]上述的情感极性强度分类方法中，所述机器学习模型构建步骤包括，采用BERT预训练模型对所述情感极性强度分类模型进行预训练获得所述机器学习模型后，所述机器学习模型输出所述机器学习模型中所述语料的所述情感极性强度概率。
[0013]上述的情感极性强度分类方法中，所述情感分析结果计算步骤包括，对所述词典
中的所述最终关键词的所述情感极性强度进行量化获取情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出所述情感分析结果。
[0014]本专利技术还提供情感极性强度分类系统，其中，适用于上述所述的情感极性强度分类方法，所述情感极性强度分类系统包括：
[0015]词典构建单元：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；
[0016]机器学习模型构建单元：对情感极性强度分类模型进行预训练获得机器学习模型后，所述机器学习模型输出情感极性强度概率；
[0017]情感分析结果计算单元：通过所述词典获得情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出情感分析结果；
[0018]情感极性强度确定单元：根据所述情感分析结果计算出加权投票融合之后的得分结果，通过判断所述得分结果所在的预设情感极性强度区间来确定所述语料最终的情感极性强度。
[0019]上述的情感极性强度分类系统中，所述词典构建单元包括：
[0020]关键词筛选模块：对标注情感极性强度的所述语料进行分词后，根据TFIDF值初步选出所述语料对应的关键词，通过人工再次筛选所述关键词，获取所述最终关键词；
[0021]字典获取模块：根据所述最终关键词所属的所述语料的情感极性强度，对所述最终关键词进行所述情感极性强度的标注，由所述最终关键词组成所述词典。
[0022]上述的情感极性强度分类系统中，所述机器学习模型构建单元采用BERT预训练模型对所述情感极性强度分类模型进行预训练获得所述机器学习模型后，所述机器学习模型输出所述机器学习模型中所述语料的所述情感极性强度概率。
[0023]上述的情感极性强度分类系统中，对所述词典中的所述最终关键词的所述情感极性强度进行量化获取情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率，通过所述情感分析结果计算单元计算出所述情感分析结果。
[0024]本专利技术还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现上述任一项所述的情感极性强度分类方法。
[0025]本专利技术还提供一种电子设备可读存储介质，所述电子设备可读存储介质上存储有计算机程序指令，所述计算机程序指令被所述处理器执行时实现上述任一项所述的情感极性强度分类方法。
[0026]相比于相关技术，本专利技术提出的一种情感极性强度分类方法、系统、电子设备及介质，通过TFIDF来制作情感词典，最终将基于情感词典的方法与基于机器学习的方法融合起来，使得情感极性强度的分类结果更加准确、快速、稳定并且开销最小同时本专利技术提高了预测与优化能力。
[0027]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0028]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申
请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0029]图1是根据本申请实施例的情感极性强度分类方法流程图；
[0030]图2为本专利技术的异常特征信息提取系统的结构示意图；
[0031]图3是根据本申请实施例的电子设备的框架图。
[0032]其中，附图标记为：
[0033]词典构建单元：51；
[0034]机器学习模型构建单元：52；
[0035]情感分析结果计算单元：53；
[0036]情感极性强度确定单元：54；
[0037]关键词筛选模块：511；
[0038]字典获取模块：512；
[0039]总线:80；
[0040]处理器：81；
[0041]存储器：82；
[0042]通信接口：83。
具体实施方式
[0043]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种情感极性强度分类方法，其特征在于，包括：词典构建步骤：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；机器学习模型构建步骤：对情感极性强度分类模型进行预训练获得机器学习模型后，所述机器学习模型输出情感极性强度概率；情感分析结果计算步骤：通过所述词典获得情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出情感分析结果；情感极性强度确定步骤：根据所述情感分析结果计算出加权投票融合之后的得分结果，通过判断所述得分结果所在的预设情感极性强度区间来确定所述语料最终的情感极性强度。2.根据权利要求1所述的情感极性强度分类方法，其特征在于，所述词典构建步骤包括：关键词筛选步骤：对标注情感极性强度的所述语料进行分词后，根据TFIDF值初步选出所述语料对应的关键词，通过人工再次筛选所述关键词，获取所述最终关键词；字典获取步骤：根据所述最终关键词所属的所述语料的情感极性强度，对所述最终关键词进行所述情感极性强度的标注，由所述最终关键词组成所述词典。3.根据权利要求1所述的情感极性强度分类方法，其特征在于，所述机器学习模型构建步骤包括，采用BERT预训练模型对所述情感极性强度分类模型进行预训练获得所述机器学习模型后，所述机器学习模型输出所述机器学习模型中所述语料的所述情感极性强度概率。4.根据权利要求1所述的情感极性强度分类方法，其特征在于，所述情感分析结果计算步骤包括，对所述词典中的所述最终关键词的所述情感极性强度进行量化获取情感极性强度得分后，根据所述情感极性强度得分与所述情感极性强度概率计算出所述情感分析结果。5.一种情感极性强度分类系统，其特征在于，适用于上述权利要求1至4中任一项所述的情感极性强度分类方法，所述情感极性强度分类系统包括：词典构建单元：对语料进行相应的数据处理获取最终关键词后，由所述最终关键词组成词典；机器学习模型构建单元...

【专利技术属性】
技术研发人员：付金伟，梁吉光，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：