本技术属于自然语言处理中的农业技术领域,公开了一种三维信息递进式传递的葡萄电商评论细粒度情感分析方法,本发明基于细粒度情感分析中的方面词、观点词以及情感极性三个维度信息,构建了一种三维信息递进式传递的葡萄电商评论细粒度情感分析方法,该方法创造性地设计了TripleBi‑LSTM和DualChannel‑Attention两个模块,利用三维递进式信息的传递有效地提升了方面词、观点词以及情感极性的识别准确率,并在自建数据集上取得了最优的效果。本发明创造性地设计了DualChannel‑Attention和TripleBi‑LSTM两个模块,显著提升了对葡萄电商评论中隐含方面词的识别效果、提升了表达方式多样的观点词的识别效果,以及情感极性的分类准确性,并在自建的数据集上取得了最优的效果。
背景技术
细粒度情感分析是自然语言处理中的一个重要任务,它深入到了句子的每一个细节,旨在从中抽取出方面词、情感词以及对应的情感极性。在农业的葡萄评论领域,该任务旨在从葡萄电商评论中抽取出评论中的方面词和观点词类型,如口味、价格、外观、质量等,并对该方面词类型进行情感分类,如积极、消极和中极。通过细粒度情感分析,葡萄电商和供应商可以更加精细地了解消费者对产品的真实反馈和需求,从而有针对性地优化产品质量和服务。同时,这一任务也有助于电商平台为消费者提供更加个性化和精准的购物推荐,提升用户购物体验。
情感分析任务的传统方法可以分为基于管道的、基于联合的和基于统一的方法。虽然这些方法可以取得不错的效果,但是他们在中文葡萄电商评论的细粒度情感分析任务中对于方面词和观点词的提取准确率有着明显的不足。管道方法通常将情感分析任务分解为多个独立的子任务,如方面词提取、观点词识别和情感极性判断等。然而,这种方法在处理中文葡萄电商评论时,往往忽视了子任务之间的内在联系和依赖关系。由于中文语言的复杂性和葡萄电商评论的多样性,管道方法在每个阶段都可能引入误差,并且这些误差会在后续阶段被放大,导致最终的提取准确率下降。联合方法试图通过同时优化多个子任务来提高性能。然而,在中文葡萄电商评论的细粒度情感分析中,联合方法可能面临特征共享和模型复杂度的挑战。不同的子任务可能需要不同的特征表示和模型结构,而简单地共享特征或采用统一的模型可能无法充分捕捉每个任务的独特性,从而影响方面词和观点词的提取准确率。统一方法旨在通过一个单一的模型来解决所有子任务。虽然这种方法在简化模型和减少误差传播方面具有一定优势,但在处理复杂的中文葡萄电商评论时,其泛化能力和灵活性可能受到限制。由于中文语言的丰富性和评论中情感表达的多样性,统一方法可能难以适应所有情况,导致在这方面词和观点词提取上的准确率不足。
通过上述分析,现有技术存在的问题及缺陷为:
由于中文语言的丰富性和评论中情感表达的多样性,现有方法可能难以适应所有情况,导致在这方面词和观点词提取上的准确率不足。
实现思路