情感分析方法、装置、设备以及存储介质转让专利
申请号 : CN202110629557.1
文献号 : CN113255367B
文献日 : 2021-11-05
发明人 : 陈昭伟 , 薛云 , 陈锦鹏 , 蔡倩华
申请人 : 华南师范大学
摘要 :
权利要求 :
1.一种情感分析方法,其特征在于,所述情感分析方法包括:获取目标语句以及所述目标语句中的属性词;
将所述目标语句对应的向量表示输入至训练好的门控循环神经网络中,获得上下文隐藏向量,以及将所述属性词对应的向量表示输入至所述门控循环神经网络中,获得属性词隐藏向量;
根据所述属性词隐藏向量、所述上下文隐藏向量、训练好的图卷积网络、训练好的所述属性词的门机制模型以及预设的所述属性词的屏蔽操作,生成第一隐藏表示,其中,所述第一隐藏表示包含的信息去除了与所述属性词无关的信息;
根据所述第一隐藏表示、所述属性词隐藏向量、协同注意力机制以及自注意力机制,生成第二隐藏表示,其中,所述第二隐藏表示为包含属性词语义信息的上下文句法语义信息;
根据所述上下文隐藏向量、所述属性词隐藏向量、所述协同注意力机制以及所述自注意力机制,生成第三隐藏表示,其中,所述第三隐藏表示为降低了不规则句法信息的噪声的信息;
将所述第二隐藏表示以及所述第三隐藏表示进行拼接,获得情感特征表示;
根据所述情感特征表示,生成情感分析结果;
所述根据所述属性词隐藏向量、所述上下文隐藏向量、训练好的图卷积网络、训练好的所述属性词的门机制模型以及预设的所述属性词的屏蔽操作,生成第一隐藏表示包括:根据所述目标语句中每个词语与所述属性词的距离,确定所述目标语句中每个词语的位置权重;
将所述目标语句对应的邻接矩阵、所述位置权重以及所述上下文隐藏向量输入至训练好的图卷积网络中进行卷积运算,获得图卷积网络的隐藏层输出,其中,确定所述图卷积网络的隐藏层输出的公式如下:
其中,和 都是一个标识,用来标识一个词语或者一个节点,词语与节点一一对应,表示词语 的位置权重,所述图卷积网络包括多个子层, 表示所述图卷积网络第 层的节点 的隐藏表示, 是第 层的节点 的隐藏表示与位置权重 的衰减表示, 是所述目标语句的长度, 表示节点 在所述图卷积网络第 层的隐藏表示, 是所述图卷积网络第 层线性变化权重矩阵, 表示所述图卷积网络第 层的偏置项, 表示激活函数, 表示节点 的度, 表示邻接矩阵中词语 与词语 对应的值,邻接矩阵的对角线值为1,若存在从词语 到词语 的边,则 且 ,否则 且 , 表示节点 在所述图卷积网络第 层更新过程中的中间状态, 是一种激活函数;
根据所述属性词隐藏向量和所述属性词的门机制模型,对所述图卷积网络的隐藏层输出进行调整,获得门机制调整表示;其中,获得所述门机制调整表示的公式为:其中, 表示激活函数, 是所述属性词隐藏向量; 是权重矩阵, 是偏置项, 表示逐点相乘, 表示图卷积基于属性词的门向量, 是所述门机制调整表示;
根据所述属性词的屏蔽操作,对所述门机制调整表示中的非属性词隐藏层状态进行屏蔽,获得属性词屏蔽表示;
根据所述属性词屏蔽表示以及所述上下文隐藏向量,生成所述第一隐藏表示,其中,生成所述第一隐藏表示的公式为:
其中, 是注意力权重,是所述目标语句的长度; 表示所述属性词的长度;
是所述属性词的开始标记, 是归一化后的注意力权重,表示向量的转置, 是所述门机制调整表示 的值, 是所述属性词屏蔽表示, 为最终得到的所述第一隐藏表示,为所述图卷积网络中第 个节点的第一隐藏表示, , 是所述目标语句的长度。
2.根据权利要求1所述的情感分析方法,其特征在于,所述根据所述目标语句中每个词与所述属性词的距离,确定所述目标语句中每个词语的位置权重包括:获取所述目标语句中的每个词语与所述属性词的距离;
根据所述距离以及预设的位置权重公式,确定所述词语的位置权重,其中,所述预设的位置权重公式如下:
其中,为第 个词语的标识,表示所述目标语句的长度, 是所述属性词的开始标记, 表示所述属性词的长度, 表示取的词语在所述属性词前面,表示取的词语是所述属性词, 表示取的词在所述属性词后面,是超参数。
3.根据权利要求1所述的情感分析方法,其特征在于,所述根据所述第一隐藏表示、所述属性词隐藏向量、协同注意力机制以及自注意力机制,生成第二隐藏表示包括:根据所述第一隐藏表示以及所述属性词隐藏向量,通过所述协同注意力机制的交互式学习,获得上下文和所述属性词之间的第一注意力机制权重矩阵,其中,获得所述第一注意力机制权重矩阵的公式如下:
其中, 是可训练的参数矩阵,表示实数, 表示所述图卷积网络的输出维度, 表示维度为 的实数矩阵, 为偏置项, 表示维度为 的实数矩阵, 表示所述属性词的长度,表示所述目标语句的长度, 是所述属性词隐藏向量, 是所述第一隐藏表示,是激活函数,表示向量的转置;
根据所述第一注意力机制权重矩阵,确定注意力上下文表示,其中,获得所述注意力上下文表示的公式如下:
其中, 为可训练的参数矩阵, 为可训练的参数矩阵,为偏置项, 表示维度为 的实数矩阵,为激活函数;
根据所述注意力上下文表示以及所述自注意力机制,确定上下文注意力机制权重,其中,获得所述上下文注意力机制权重的公式如下:其中, 为可训练的参数向量, 表示维度为 的实数矩阵, 为偏置项;
根据所述上下文注意力机制权重以及所述注意力上下文表示,生成所述第二隐藏表示,其中,生成所述第二隐藏表示的公式如下:其中, 为所述第二隐藏表示,所述注意力上下文表示 包括所述图卷积网络中多个节点的注意力上下文表示, 为所述图卷积网络中第 个节点的注意力上下文表示,是所述目标语句的长度。
4.根据权利要求1所述的情感分析方法,其特征在于,所述根据所述上下文隐藏向量、所述属性词隐藏向量、所述协同注意力机制以及所述自注意力机制,生成第三隐藏表示包括:
根据所述上下文隐藏向量以及所述属性词隐藏向量,通过所述协同注意力机制的交互式学习生成第二注意力机制权重矩阵,其中,生成所述第二注意力机制权重矩阵的公式如下:
其中, 是可训练的参数矩阵,表示实数, 表示所述图卷积网络的输出维度, 表示维度为 的实数矩阵, 为偏置项, 表示维度为的实数矩阵, 表示所述属性词的长度,表示所述目标语句的长度, 是激活函数,表示向量的转置;
根据所述第二注意力机制权重矩阵、所述上下文隐藏向量、所述属性词隐藏向量以及所述自注意力机制,生成所述第三隐藏表示,其中,生成所述第三隐藏表示的公式如下:其中, 以及 均为可训练的参数矩阵, 为可训练的参数向量, 以及 均为偏置项, 为激活函数, 为进一步确认的所述目标语句的上下文表示,为自注意力权重, 是所述属性词隐藏向量, 为所述第三隐藏表示,为所述图卷积网络中的第 个节点的进一步确认的所述目标语句的上下文表示。
5.根据权利要求1所述的情感分析方法,其特征在于,所述根据所述情感特征表示,生成情感分析结果包括:
将所述情感特征表示输入至预设的输出层中,获得归一化后的所有情感类别的输出概率分布,其中,获得所述归一化后的所有情感类别的输出概率分布的公式如下:其中, 表示未进行归一化的所有情感类别的输出概率分布, 是可学习的权重,表示实数, 表示维度为 的实数矩阵, 是偏置项, 表示维度为 的实数矩阵, 是一种激活函数, 表示归一化后的所述所有情感类别的输出概率分布,表示所有情感类别的类别数量;
根据所述归一化后的所有情感类别的输出概率分布,确定与所述情感特征表示对应的情感分析结果。
6.一种情感分析装置,其特征在于,所述情感分析装置包括:获取模块,用于获取目标语句以及所述目标语句中的属性词;
输入模块,用于将所述目标语句对应的向量表示输入至训练好的门控循环神经网络中,获得上下文隐藏向量,以及将所述属性词对应的向量表示输入至所述门控循环神经网络中,获得属性词隐藏向量;
第一生成模块,用于根据所述属性词隐藏向量、所述上下文隐藏向量、训练好的图卷积网络、训练好的所述属性词的门机制模型以及预设的所述属性词的屏蔽操作,生成第一隐藏表示,其中,所述第一隐藏表示包含的信息去除了与所述属性词无关的信息;
第二生成模块,用于根据所述第一隐藏表示、所述属性词隐藏向量、协同注意力机制以及自注意力机制,生成第二隐藏表示,其中,所述第二隐藏表示为包含属性词语义信息的上下文句法语义信息;
第三生成模块,用于根据所述上下文隐藏向量、所述属性词隐藏向量、所述协同注意力机制以及所述自注意力机制,生成第三隐藏表示,其中,所述第三隐藏表示为降低了不规则句法信息的噪声的信息;
拼接模块,用于将所述第二隐藏表示以及所述第三隐藏表示进行拼接,获得情感特征表示;
第四生成模块,用于根据所述情感特征表示,生成情感分析结果;
所述第一生成模块根据所述属性词隐藏向量、所述上下文隐藏向量、训练好的图卷积网络、训练好的所述属性词的门机制模型以及预设的所述属性词的屏蔽操作,生成第一隐藏表示的方式为: 根据所述目标语句中每个词语与所述属性词的距离,确定所述目标语句中每个词语的位置权重;
将所述目标语句对应的邻接矩阵、所述位置权重以及所述上下文隐藏向量输入至训练好的图卷积网络中进行卷积运算,获得图卷积网络的隐藏层输出,其中,确定所述图卷积网络的隐藏层输出的公式如下:
其中,和 都是一个标识,用来标识一个词语或者一个节点,词语与节点一一对应,表示词语 的位置权重,所述图卷积网络包括多个子层, 表示所述图卷积网络第 层的节点 的隐藏表示, 是第 层的节点 的隐藏表示与位置权重 的衰减表示, 是所述目标语句的长度, 表示节点 在所述图卷积网络第 层的隐藏表示, 是所述图卷积网络第 层线性变化权重矩阵, 表示所述图卷积网络第 层的偏置项, 表示激活函数, 表示节点 的度, 表示邻接矩阵中词语 与词语 对应的值,邻接矩阵的对角线值为1,若存在从词语 到词语 的边,则 且 ,否则 且 , 表示节点 在所述图卷积网络第 层更新过程中的中间状态, 是一种激活函数;
根据所述属性词隐藏向量和所述属性词的门机制模型,对所述图卷积网络的隐藏层输出进行调整,获得门机制调整表示;其中,获得所述门机制调整表示的公式为:其中, 表示激活函数, 是所述属性词隐藏向量; 是权重矩阵, 是偏置项, 表示逐点相乘, 表示图卷积基于属性词的门向量, 是所述门机制调整表示;
根据所述属性词的屏蔽操作,对所述门机制调整表示中的非属性词隐藏层状态进行屏蔽,获得属性词屏蔽表示;
根据所述属性词屏蔽表示以及所述上下文隐藏向量,生成所述第一隐藏表示,其中,生成所述第一隐藏表示的公式为:
其中, 是注意力权重, 是归一化后的注意力权重,表示向量的转置, 是所述门机制调整表示 的值, 是所述属性词屏蔽表示, 为最终得到的所述第一隐藏表示,为所述图卷积网络中第 个节点的第一隐藏表示, , 是所述目标语句的长度; 表示所述属性词的长度; 是所述属性词的开始标记。
7.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1至5中任意一项所述的情感分析方法。
8.一种计算机可读存储介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的情感分析方法。
说明书 :
情感分析方法、装置、设备以及存储介质
技术领域
背景技术
优,从而引入与任务无关的噪声,另一方面,偏口语化的评论句子因为含有不规则的句法结
构,特征提取也会引入噪声,降低了情感分析结果的准确性。因此,如何提高情感分析的准
确性是一个需要解决的技术问题。
发明内容
性词隐藏向量;
述第一隐藏表示包含的信息去除了与所述属性词无关的信息;
信息;
声的信息;
网络中,获得属性词隐藏向量;
一隐藏表示,其中,所述第一隐藏表示包含的信息去除了与所述属性词无关的信息;
的上下文句法语义信息;
规则句法信息的噪声的信息;
述的情感分析方法。
对于属性词的句法信息,通过注意力机制学习属性词语义信息与上下文语义信息的交互过
程,生成的所述第二隐藏表示能够学习到更针对属性词的上下文句法语义信息,在一定程
度上能够减少不规则句法信息带来的噪声,通过引入含有上下文原始语义信息的所述上下
文隐藏向量,并通过注意力机制增强上下文和属性词的交互作用获得的所述第三隐藏表
示,能够进一步降低噪声对检测结果的影响,从而提高了情感分析的准确性。
附图说明
具体实施方式
中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附
权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
形式,除非目标句子清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并
包含一个或多个相关联的列出项目的任何或所有可能组合。
本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第
一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或
“当……时”或“响应于确定”。
的属性词 ,其中, 表示属性词的开始标记。将每个词映射到
高纬的词向量空间中,得到词嵌入矩阵 ,其中, 表示词语的数量, 表示词
嵌入的维度,表示实数矩阵。根据词嵌入矩阵,可以获得所述目标语句对应的向量表示和
所述属性词的对应的向量表示。
获得属性词隐藏向量。
的收敛性。
时刻的隐藏层输出, 表示所述门控循环神经网络隐藏层的输出维度。
其中,所述第一隐藏表示包含的信息去除了与所述属性词无关的信息。
表示包括如下步骤:
述图卷积网络的隐藏层输出的公式如下:
层的节点 的隐藏表示, 是第 层的节点 的隐藏表示与位置权重 的衰减表
示, 表示节点 在所述图卷积网络第 层的隐藏表示, 是所述图卷积网络第 层线性变
化权重矩阵, 表示所述图卷积网络第 层的偏置项, 表示激活函数,表示节点 的度,
表示邻接矩阵中词语 与词语 对应的值,邻接矩阵的对角线值为1,若存在从词语 到词
语 的边,则 且 ,否则 且 ,表示节点 在所述图卷积网络第
层更新过程中的中间状态, 是一种激活函数;
示, 为所述图卷积网络中第 个节点的第一隐藏表示, ,是所述目标
语句的长度。
的句法依存树,再通过邻接矩阵生成工具将所述句法依存树转换为所述邻接矩阵,将所述
邻接矩阵参与进所述图卷积网络的卷积运算中。
如,一个句子中,含有2个情感极性不同的属性词)。为了调整图卷积网络的隐藏层输出,使
得隐藏层输出更集中于属性词,可以在图卷积网络的每一层的卷积运算中,使用所述属性
词的门机制模型,通过逐点相乘的方法应用到图卷积网络第 层的隐藏层输出中,从而生成
微调后的隐藏层输出,即所述门机制调整表示。更进一步的,为了从特定目标情感分析的角
度去提取含有句法信息的上下文特征,可以通过对属性词的屏蔽操作,对所述门机制调整
表示中的非属性词隐藏层状态进行屏蔽,获得属性词屏蔽表示,从而进一步获取面向属性
词的特征,图卷积网络共有 层,在第 层中,屏蔽掉非属性词的隐藏层状态向量,并保持属
性词隐藏层状态向量不变,得到属性词屏蔽表示 :
一隐藏表示。
隐藏表示,然后到图卷积网络的输出等。
表示取的词语是所述属性词, 表示取的词在所
述属性词后面,是超参数。
所述目标语句中词语的位置信息。
语义信息。
述第一注意力机制权重矩阵的公式如下:
为 的实数矩阵, 表示所述属性词的长度,表示所述目标语句的长度, 是所述属
性词隐藏向量, 是所述第一隐藏表示,是激活函数,表示向量的转置;
示。
句和所述属性词之间的第一注意力机制权重矩阵,然后根据所述第一注意力机制权重矩阵
进一步确定所述注意力上下文表示;进一步地,可以使用自注意力机制对所述目标语句的
上下文信息进行凝练,通过自注意力机制得到上下文注意力机制权重,然后加权求和得到
所述第二隐藏表示。
的噪声的信息。
阵的公式如下:
度为 的实数矩阵, 表示所述属性词的长度,表示所述目标语句的长度, 是激活
函数, 表示向量的转置;
式如下:
句的上下文表示,为自注意力权重, 是所述属性词隐藏向量, 为所述第三隐藏表示,
为所述图卷积网络中的第 个节点的进一步确认的所述目标语句的上下文表示。
隐藏向量与所述属性词隐藏向量之间的所述第二注意力机制权重矩阵;进一步地,使用自
注意力机制对交互后的语义信息(交互后的语义信息包括所述第二注意力机制权重矩阵、
所述上下文隐藏向量、所述属性词隐藏向量)进行凝练,得到所述第三隐藏表示,由于所述
上下文隐藏向量中保留了含有所述目标语句原始的语义信息,可以降低不规则语句的句法
信息带来的噪声的影响。
的实数矩阵, 是一种激活函数, 表示归一化后的所述所有情感类别的输出概率分
布, 表示所有情感类别;
50%、情感类别B的输出概率为30%、情感类别C的输出概率为20%,可以通过取输出概率最大
的情感类别A,为所述情感特征对应的情感类别。
数,其中,所述交叉熵损失函数的公式如下:
的预测分布, 表示所有情感类别, 表示所有可训练参数, 为正则化的参数。 表示
所述所有可训练参数的2范数。
表示包含更针对于属性词的句法信息,通过注意力机制学习属性词语义信息与上下文语义
信息的交互过程,生成的所述第二隐藏表示能够学习到更针对属性词的上下文句法语义信
息,在一定程度上能够减少不规则句法信息带来的噪声,通过引入含有上下文原始语义信
息的所述上下文隐藏向量,并通过注意力机制增强上下文和属性词的交互作用获得的所述
第三隐藏表示,能够进一步降低噪声对检测结果的影响,从而提高了情感分析的准确性。
及所述目标语句中的属性词;将所述目标语句对应的向量表示输入至训练好的门控循环神
经网络中,获得上下文隐藏向量,以及将所述属性词对应的向量表示输入至所述门控循环
神经网络中,获得属性词隐藏向量;根据所述属性词隐藏向量、所述上下文隐藏向量、训练
好的图卷积网络、训练好的所述属性词的门机制模型以及预设的所述属性词的屏蔽操作,
生成第一隐藏表示,其中,所述第一隐藏表示包含的信息去除了与所述属性词无关的信息;
根据所述第一隐藏表示、所述属性词隐藏向量、协同注意力机制以及自注意力机制,生成第
二隐藏表示,其中,所述第二隐藏表示为包含属性词语义信息的上下文句法语义信息;根据
所述上下文隐藏向量、所述属性词隐藏向量、所述协同注意力机制以及所述自注意力机制,
生成第三隐藏表示,其中,所述第三隐藏表示为降低了不规则句法信息的噪声的信息;将所
述第二隐藏表示以及所述第三隐藏表示进行拼接,获得情感特征表示;根据所述情感特征
表示,生成情感分析结果。该模型能够提高情感分析的准确性。
训练数据和测试数据,并且数据集中每个句子都包含了一个标注的属性词和属性词的情感
极性。表格1显示了五个数据集的统计数据
0.001,正则化为,batch‑size(每次训练选择的批量)为16或32,GCN(Graph Convolutional
Network,图卷积神经网络)的层数为1,2,3,4,位置衰减指数γ=1,2,3,以上可变参数的最
后确定,以模型在数据集上的最佳效果为准。模型优化方法使用Adam(Adaptive moment
estimation,自适应矩估计)优化器。
TNet‑LF、模型7:ASGCN‑DT、模型8:ASGCN‑DG、模型9:CAN)进行对比。基线模型主要分为两
类,建模过程中主要使用注意力机制的模型和在建模过程中利用句法信息的模型。实验结
果如下:
精确度的一种指标,其中最好的实验结果通过加粗表示。本发明提出的情感分析模型,在
TWITTER以外的数据集上,优于所有的比较模型。在TWITTER数据集上,与CAN相比,实验结果
稍显逊色。本发明提出的情感分析模型无人工特征提取,并且在Twitter,lap14和
restaurant14数据集上,相比依赖于人工特征提取的SVM的准确率分别提高了10.15%,
6.47%和2.25%。由于结合了句法信息,比起没有考虑句法信息的模型,例如LSTM,AOA,IAN,
本发明提出的情感分析模型取得了更好的效果。尽管IAN,CAN通过交互式学习提高了上下
文和目标词的交互程度,但除了CAN在TWITTER数据集上的准确率略优于本发明情感分析模
型外,本发明取得的实验结果均优于上述模型。在Twitter数据集上,本发明提出的情感分
析模型效果略差于CAN,一个可能的原因在于,TWITTER数据集偏向口语化,含有不符合句法
的句子,使用基于句法信息的模型,可能会引入不利于情感分类的噪声,从而影响模型的效
果,同时,在该数据集上,本发明提出的模型优于使用句法信息的ASGCN(ASGCN‑DT、ASGCN‑
DG)模型,说明本发明保留的原始语义信息,能在一定程度上,减轻句法噪声带来的影响。
数据集的准确率和F1值均有所降低。实验结果表明,基于属性词的门机制有利于图卷积学
习到更针对于属性词的句法信息,从而提高模型的性能。
程,实验数据集的所有准确率和大多数F1值均有所下降。实验结果表明:通过与属性词语义
信息的交互式学习过程,能学习到更针对属性词的句法语义信息,从而提高模型的性能。
验数据集的准确率和F1值均有所下降,其中,Twitter数据集性能下降更为明显,我们推测,
句法不规则的Twitter数据集对语义信息更加敏感。实验结果表明,基于上下文语义信息和
属性词语义信息的协同注意力网络对特定目标情感分析任务是有帮助的,它能够在一定程
度上,缓解不规则句法信息带来的噪声。
神经网络中,获得属性词隐藏向量。
成第一隐藏表示,其中,所述第一隐藏表示包含的信息去除了与所述属性词无关的信息。
信息的上下文句法语义信息。
了不规则句法信息的噪声的信息。
作,生成第一隐藏表示的方式具体为:
积网络的隐藏层输出的公式如下:
层的节点 的隐藏表示, 是第 层的节点 的隐藏表示与位置权重 的衰减表
示, 表示节点 在所述图卷积网络第 层的隐藏表示, 是所述图卷积网络第 层线性
变化权重矩阵, 表示所述图卷积网络第 层的偏置项, 表示激活函数, 表示节点 的
度, 表示邻接矩阵中词语 与词语 对应的值,邻接矩阵的对角线值为1,若存在从词语
到词语 的边,则 且 ,否则 且 , 表示节点 在所述图卷积网
络第 层更新过程中的中间状态, 是一种激活函数;
示, 为所述图卷积网络中第 个节点的第一隐藏表示, ,是所述目标语
句的长度。
表示取的词语是所述属性词, 表示取的词在所
述属性词后面,是超参数。
注意力机制权重矩阵的公式如下:
为 的实数矩阵, 表示所述属性词的长度,表示所述目标语句的长度, 是所述属
性词隐藏向量, 是所述第一隐藏表示,是激活函数,表示向量的转置;
示。
式如下:
度为 的实数矩阵, 表示所述属性词的长度,表示所述目标语句的长度, 是激活
函数, 表示向量的转置;
下:
句的上下文表示,为自注意力权重, 是所述属性词隐藏向量, 为所述第三隐藏表示,
为所述图卷积网络中的第 个节点的进一步确认的所述目标语句的上下文表示。
的实数矩阵, 是一种激活函数, 表示归一化后的所述所有情感类别的输出概率分
布, 表示所有情感类别;
或多个的组合。
或更少的其他硬件或者软件,或者不同的部件布置。
程门阵列、数字处理器及嵌入式设备等。所述电子设备900还可包括客户设备,所述客户设
备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行
人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
述存储器901包括只读存储器(Read‑Only Memory,ROM)、可编程只读存储器(Programmable
Read‑Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read‑Only
Memory,EPROM)、一次可编程只读存储器(One‑timeProgrammable Read‑Only Memory,
OTPROM)、电子擦除式可复写只读存储器(Electrically‑Erasable Programmable Read‑
Only Memory,EEPROM)、只读光盘(CompactDisc Read‑Only Memory,CD‑ROM)或其他光盘存
储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介
质。
存储在所述存储器901内的程序或者模块,以及调用存储在所述存储器901内的数据,以执
行电子设备900的各种功能和处理数据。例如,所述至少一个处理器902执行所述存储器中
存储的计算机程序时实现本申请实施例中所述的情感分析方法的全部或者部分步骤;或者
实现情感分析装置的全部或者部分功能。所述至少一个处理器902可以由集成电路组成,例
如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电
路所组成,包括一个或者多个中央处理器(CentralProcessing unit,CPU)、微处理器、数字
处理芯片、图形处理器及各种控制芯片的组合等。
具体说明,在此不进行赘述。
说明的组件可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以
不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的
需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付
出创造性劳动的情况下,即可以理解并实施。
施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产
品的形式。
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
改进等,均应包含在本申请的权利要求范围之内。