一种融合情感对象抽取与情感极性推理的文本情感分析方法及系统

本发明涉及一种融合情感对象抽取与情感极性推理的文本情感分析方法及系统，属于自然语言处理。

背景技术：

1、随着互联网、电商平台、在线政务和智能客服等场景的发展，用户评论、社交媒体文本、对话记录和意见反馈等非结构化文本数量不断增加。这些文本中往往包含用户对产品、服务、事件或具体功能的评价态度。如何自动识别文本中的被评价对象，并判断其对应的情感倾向，已成为文本情感分析中的重要问题。尤其在细粒度情感分析场景中，同一段文本可能同时评价多个对象，且不同对象的情感倾向并不相同。因此，传统只判断整段文本正向或负向的方法，难以满足对象化、精准化和可解释化分析的需求。

2、目前，文本情感分析方法主要包括情感词典与规则方法、传统机器学习方法、深度学习方法以及预训练语言模型或大语言模型方法。情感词典与规则方法实现简单，但依赖人工维护，难以适应网络用语、领域术语和隐式表达。传统机器学习方法需要人工设计特征，跨领域适应能力有限。深度学习和预训练语言模型能够更好地理解上下文语义，大语言模型进一步具备较强的指令理解、语义推理和结构化生成能力，为对象级情感分析和复杂文本理解提供了新的技术基础。

3、在现有的文本情感分析技术体系中，诸如 bert、roberta、macbert 以及基于大语言模型的情感分析方法，已在文本分类、属性词抽取、情感极性判断等任务中取得一定进展。这些方法通过在通用语料或评论语料基础上进行预训练、微调或提示引导，使模型能够识别文本中的评价词、属性词和情感倾向，并完成句子级情感分类、属性级情感判断等基础任务。然而，当应用于真实业务场景下的对象级情感分析，特别是“情感对象抽取与情感极性推理”这一细粒度场景时，现有方法仍面临多项关键限制：

4、（1）缺乏对象、证据与极性的一体化关联机制：现有方法多将对象抽取和情感分类分开处理，或直接依赖大语言模型判断情感极性，缺少对“情感对象—情感证据—情感极性”之间对应关系的统一建模，容易造成对象定位、证据归属和极性判断不一致。

5、（2）对隐式情感和复杂表达理解不足：实际文本中的情感往往不只表现为“好”“差”等显式词语，还可能隐藏在事实结果、否定、转折或因果描述中，现有方法容易漏判隐式情感，或误解否定和转折关系。

6、（3）缺少多对象和冲突表达的统一处理机制：真实评论中常同时包含多个评价对象，且不同对象情感倾向可能不同。现有方法容易将整段文本归为单一情感标签，或用后文负向评价覆盖前文正向评价，难以实现对象级区分和结果融合。

7、（4）输出结果可解释性和可追溯性不足：部分方法只能输出正向、负向或中性标签，不能明确给出对应的情感对象、证据片段、来源句元和推理依据，导致结果难以复核，也不便于后续业务分析。

技术实现思路

1、针对现有文本情感分析中情感对象识别不准确、隐式情感理解不足、对象与证据关联薄弱、多对象结果易混淆以及结果可解释性不强等问题，本发明提供一种融合情感对象抽取与情感极性推理的文本情感分析方法及系统；本发明从文本语义结构和评价词关系出发，建立情感对象、情感证据与情感极性之间的关联机制，实现对显式评价、隐式表达、否定结构、转折关系和上下文语义的综合分析。

2、不同于传统依赖情感词典、关键词匹配或单一分类模型的方法，本发明通过文本结构化处理、对象级语义定位、情感证据识别和极性推理，实现对待分析文本中被评价对象的自动识别、证据提取和情感判断。系统结合预训练语言模型和大语言模型，对情感对象、证据片段及上下文信息进行联动分析，最终生成包含情感对象、证据片段、情感极性、置信度和推理说明的结构化情感分析结果。

3、术语解释：

4、1、情感对象（sentiment object, so）：指待分析文本中被评价、被描述或者承载情感倾向的目标对象，包括产品、服务、事件、属性、功能、行为、流程、处理结果等。

5、2、句元（sentence unit, su）：指对原始文本进行切分后得到的具有相对完整语义的分析单元，可以是句子、分句、短语片段、对话轮次片段，或者结合上下文补全后的语义片段，用于承载后续情感对象识别、情感证据提取和极性推理任务。

6、3、情感证据（sentiment evidence, se）：指能够支持情感极性判断的文本片段或语言结构，包括评价词、程度修饰语、否定表达、转折表达、事实结果描述、异常状态描述、重复处理描述等。

7、4、情感对象边界识别（sentiment object boundary identification, sobi）：指在待分析文本中确定情感对象语义范围的处理过程，用于判断某一词语、短语或片段是否真正属于被评价对象，并确定其在文本中的起止范围或对应语义片段，避免将背景实体、无关名词或相邻对象错误识别为情感对象。

8、5、对象—证据语义关联（object-evidence semantic association, oesa）：指将情感证据准确匹配到对应情感对象的技术过程。

9、6、隐式情感表达（implicit sentiment expression, ise）：指文本中未直接出现“好”“差”“满意”“不满”等明显情感词，但通过事实描述、结果状态、处理过程或用户体验后果体现情感倾向的表达方式。

10、7、对象级情感极性推理（object-level sentiment polarity reasoning,ospr）：指以具体情感对象为分析单位，结合对应情感证据、上下文信息和领域场景信息，对该对象的情感倾向进行判断的过程。

11、8、结果融合与置信度校验（result fusion and confidence verification,rfcv）：指在同一文本存在多个情感对象、多条情感证据或多个候选判断结果时，对分析结果进行合并、筛选、冲突消解和可信度评估的处理机制。

12、9、反馈更新机制（feedback updating mechanism, fum）：指系统接收人工复核结果、用户修正结果或业务系统回传结果，并基于上述结果更新领域对象词表、情感证据模板、置信度阈值、模型提示模板或训练样本库的闭环优化机制，用于提高系统在长期运行过程中的适配能力和分析准确性。

13、10、文本情感分析：指利用自然语言处理、机器学习或大语言模型等技术，对文本中包含的主观态度、评价倾向、情绪表达和体验反馈进行识别、分类和解释的处理过程。

14、11、依存句法分析器：指用于分析句子中词语之间句法依存关系的自然语言处理工具，能够识别主谓、动宾、定中、状中、补充等语法关系，并构建词语之间的依存路径。本发明利用依存句法分析器确定情感对象与候选情感证据之间的句法关联及最短依存路径，为对象—证据匹配和情感极性判断提供句法特征。

15、本发明的技术方案如下：

16、本发明的第一个方面提供一种融合情感对象抽取与情感极性推理的文本情感分析方法，包括：

17、步骤1：对原始待分析文本进行结构化预处理，构建标准化句元级结构单元，并根据原始待分析文本所属领域类型，构建领域资源集合；

18、步骤2：根据标准化句元级结构单元和领域资源集合进行情感相关性判断，筛选出情感分析候选句元，并获取属于情感分析候选句元的标准化句元级结构单元；

19、对属于情感分析候选句元的标准化句元级结构单元进行语义解析，识别候选情感对象集合，并对情感对象集合进行筛选；

20、对筛选后的候选情感对象集合提取候选评价成分，形成候选证据集合，对候选证据集合进行筛选后计算候选情感对象集合与选证据集合之间的综合相关性评分，根据相关性评分获取最终证据集合；

21、步骤3：对属于情感分析候选句元的标准化句元级结构单元、筛选后的候选情感对象集合、最终证据集合和对应领域资源集合进行情感极性推理，获取最终情感极性；

22、步骤4：构建对象级结构化分析结果，并进行复核，生成对象级情感分析结果；

23、根据情感对象相似度、证据强度及综合置信度，对对象级情感分析结果进行融合和冲突消解。

24、根据本发明优选的，步骤1的具体实现过程包括：

25、对原始待分析文本进行分段处理，包括：自动识别句号、分号、问号、感叹号、换行符、转折连接词及语义边界标记，将原始待分析文本拆分为多个语义完整的句元，形成句元级结构单元；同时，保留句段顺序、上下文邻接关系、段落编号和文本来源；

26、在每一条句元级结构单元中注入原始待分析文本的句元内容、文本来源、所属的段落编号、句元编号及上下文片段信息，生成标准化句元级结构单元，如下所示：

27、；

28、其中，表示第i个标准化句元级结构单元，表示第i个标准化句元级结构单元对应的原始待分析文本的文本来源，表示第i个标准化句元级结构单元的句元内容，表示上下文片段信息，表示原始待分析文本中的位置标识，包括句元编号、段落编号和排列顺序；

29、根据原始待分析文本的文本来源、业务标签或用户设定，确定原始待分析文本所属领域类型即业务场景，获取对应的领域资源集合：

30、；

31、其中，表示第类领域类型即业务场景对应的领域资源集合；表示领域情感对象类别，包括业务场景中被评价的实体、属性、功能、服务环节、行为或处理结果；表示领域术语词表，包括领域对象名称、同义词、简称、别称及领域特定表达；表示情感证据识别规则或模板，包括评价词与情感对象之间的修饰关系、否定结构、转折结构、程度修饰关系、因果关系及隐式事实表达模式；表示结构化输出字段，包括情感对象、对象类别、证据片段、情感极性、置信度、推理说明和处理状态。

32、根据本发明优选的，根据标准化句元级结构单元和领域资源集合进行情感相关性判断，筛选出情感分析候选句元，并获取属于情感分析候选句元的标准化句元级结构单元；包括：

33、将标准化句元级结构单元和领域资源集合输入情感相关性判断函数，获取判断结果，如下所示：

34、；

35、其中，表示判断结果，表示标准化句元级结构单元，表示领域资源集合；表示情感相关性判断函数，包括：利用预训练语言模型编码器对标准化句元级结构单元的句元内容和上下文片段信息进行编码，得到句元语义表示；根据领域资源集合中的领域情感对象类别、领域术语词表和情感证据识别规则或模板，对当前句元内容进行匹配，获取对应的情感对象类别、领域术语词表和情感证据识别规则或模板的匹配结果，并转换为数值特征，形成领域特征向量；将句元语义表示与领域特征向量拼接，并通过分类函数，计算句元属于情感相关句元的概率，如下所示：

36、；

37、其中，表示情感相关句元的概率，和分别表示权重参数和偏置参数，表示向量拼接操作；

38、根据预设判断阈值输出判断结果：

39、；

40、当时，表示当前句元即句元内容为情感分析候选句元，当前句元中含有情感对象、评价表达、使用体验、服务反馈或隐式情感事实；当时，表示当前句元不属于情感分析候选句元；

41、在标准化句元级结构单元中获取属于情感分析候选句元的标准化句元级结构单元和对应领域资源集合；

42、进一步优选的，判断阈值为0.5～0.8。

43、根据本发明优选的，对属于情感分析候选句元的标准化句元级结构单元进行语义解析，识别候选情感对象集合，并对情感对象集合进行筛选；包括：

44、将属于情感分析候选句元的标准化句元级结构单元和对应领域资源集合输入情感对象识别函数，通过预设任务提示和结构化输出格式，生成候选情感对象集合，如下所示：

45、；

46、其中，表示第个句元对应的候选情感对象集合，表示第n个情感对象，表示情感对象识别模型；

47、对候选情感对象集合中的情感对象进行筛选，包括边界识别、重复合并和有效性确认；

48、边界识别包括：根据候选对象在句元中的字符位置、词语组合、中心词及修饰成分，确定情感对象的起止范围，并删除无实际含义的标点、虚词和冗余修饰成分；

49、重复合并包括：对文本内容相同、位置范围重叠、具有同义或简称关系，或者余弦相似度高于预设相似度阈值的两个情感对象进行归一化处理，合并为统一对象名称；

50、有效性确认包括：根据情感对象与评价表达之间的关联关系、领域对象类别匹配程度、上下文相关程度以及模型输出置信度，计算有效性得分，判断候选对象是否属于实际被评价对象，如下所示：

51、；

52、其中，表示有效性得分；表示权重，位于区间[0,1]，且满足：；

53、表示情感对象与评价表达之间的关联得分，包括：通过依存句法分析器获取情感对象与评价表达的最短依存路径，根据最短依存路径获取依存关系得分；当最短依存路径长度为1时，依存关系得分为1；最短依存路径长度为2时，依存关系得分为0.8；最短依存路径长度为3时，依存关系得分为0.6；最短依存路径长度为4时，依存关系得分为0.4；最短依存路径长度大于或等于5，或者不存在可识别的依存路径时，依存关系得分为0；同时，获取情感对象与评价表达在同一句元内容中间隔的词元数量，根据间隔的词元数量获取文本距离得分：当情感对象与评价表达之间间隔0～2个词元时，文本距离得分为1；间隔3～5个词元时，文本距离得分为0.8；间隔6～10个词元时，文本距离得分为0.6；间隔11～20个词元时，文本距离得分为0.3；间隔超过20个词元时，文本距离得分取0；最终，关联得分，其中为关联权重；

54、表示情感对象与领域类型的匹配得分，情感对象与领域类型全部匹配相同时取1，否则，计算情感对象与领域类型的余弦相似度并取最高相似度值作为匹配得分；

55、表示情感对象与当前句元及上下文的相关得分，包括：计算情感对象所在句元与相关评价表达所在句元之间相隔的个句元数量，当情感对象与评价表达位于同一句元时，，位于相邻句元时取，间隔1个句元时取，间隔2个句元时取；间隔超过2个句元时；

56、表示情感对象识别模型输出的置信度；

57、当情感对象的有效性得分高于预设有效性阈值时，保留情感对象；当有效性得分低于预设阈值时，将情感对象进行过滤，得到筛选后的候选情感对象集合；

58、进一步优选的，相似度阈值为0.80～0.90；关联权重=0.5；有效性阈值为0.6～0.8；

59、最优选的，有效性阈值为0.7。

60、根据本发明优选的，对筛选后的候选情感对象集合提取候选评价成分，形成候选证据集合，对候选证据集合进行筛选后计算候选情感对象集合与选证据集合之间的相关性评分，根据相关性评分获取最终证据集合；包括：

61、对于筛选后的候选情感对象集合中的情感对象，从当前句元及上下文片段信息中提取候选评价成分，包括评价词、形容词、副词、程度修饰语、否定词、转折词、因果短语、事实结果描述以及与情感对象存在依存关系的描述成分，形成候选证据集合；其中，表示候选证据集合，表示第个候选证据即情感证据；

62、同时，通过停用词过滤、无效修饰项过滤和领域证据模板过滤对候选证据进行初步筛选；

63、其中，停用词过滤包括：预先构建停用词表，依据停用词表将候选证据中不承载评价含义的虚词、语气词、连接词及词频位于前5%且经人工确认不承载评价含义的词语进行删除；

64、无效修饰项过滤包括：结合词性信息、候选证据与情感对象之间的文本距离及上下文语义，剔除候选证据中未直接修饰的情感对象，或者剔除仅用于描述时间、地点、数量及背景信息的文本成分；

65、领域证据模板过滤包括：根据当前业务场景中已收集的原始待分析文本进行整理，提取具有评价含义的评价词、否定结构、程度修饰、转折关系、因果表达及事实结果描述，并进行人工审核、去重整理后形成当前业务场景对应的领域证据模板；将候选证据与领域证据模板进行匹配，若全部匹配相同，则对候选证据进行保留；否则，利用语义编码模型分别生成候选证据和领域证据模板的向量表示，并采用余弦相似度计算相似度；当最高相似度达到预设阈值时保留候选证据，否则对候选证据进行过滤；

66、计算情感对象与筛选后的候选证据集合之间的综合相关性评分，计算公式如下所示：

67、；

68、其中，表示筛选后的候选情感对象集合中第个情感对象，表示筛选后的候选证据集合中第个候选证据，表示与之间的综合相关性得分，表示语义相似度，表示依存关系强度，表示上下文邻接相关度，表示领域匹配度，表示在综合相关性评分中的权重，位于区间，并满足：；

69、对候选证据分数即综合相关性得分进行归一化处理，如下所示：

70、；

71、其中，表示归一化的候选证据分数，表示同一情感对象对应的全部候选证据的综合相关性得分中的最小值，表示同一情感对象对应的全部候选证据的综合相关性得分中的最大值，为防止分母为零的微小常数；

72、设定证据保留阈值，对归一化的候选证据分数进行筛选：；并选取归一化的候选证据分数最高的前条作为最终证据集合：

73、；

74、其中，表示情感对象对应的情感证据集合即最终证据集合，topk表示筛选归一化的候选证据分数最高的前k条。

75、进一步优选的，保留阈值为0.5至0.8；

76、进一步优选的，语义相似度用于衡量情感对象与候选证据在语义层面的关联程度；通过预训练语言模型，分别对情感对象和候选证据进行语义编码，得到对象向量和证据向量，并采用余弦相似度计算语义相似度，如下所示：

77、；

78、依存关系强度用于衡量情感对象与候选证据在句法结构中的关联程度；利用依存句法分析器获取情感对象与候选证据之间的最短依存路径长度，并判断是否存在直接依存关系，如下所示：

79、；

80、其中，表示直接依存关系标识，当情感对象与候选证据之间存在直接依存关系即最短依存路径长度为1时，；否则，；表示直接依存关系的权重，取值范围为；当情感对象与候选证据位于不同句元且不存在可识别的依存关系时，依存关系强度设置为0；

81、上下文邻接相关度用于衡量情感对象与候选证据在原始文本中的位置接近程度；按照句元及上下文的顺序计算情感对象与候选证据之间间隔的词元数量，通过词元数量计算上下文邻接相关度，如下所示：

82、；

83、其中，表示距离衰减参数；

84、领域匹配度用于衡量情感对象及候选证据与当前业务场景的领域资源集合之间的匹配程度，计算公式如下所示：

85、；

86、其中，表示匹配参数，位于区间，且满足：；表示情感对象与领域情感对象类别之间的匹配得分；表示情感对象或候选证据与领域术语词表之间的匹配得分；表示候选证据与情感证据识别规则或模板之间的匹配得分；

87、其中，匹配得分包括：当匹配内容完全相同时，匹配得分为1，均不相同时，匹配得分为0；当匹配的内容为同义表达、简称或语义近似表达时，查询领域术语词表，若与领域术语词表存在映射关系，则匹配得分为1，若不存在映射关系，则通过语义编码模型分别生成向量表示，并计算余弦相似度；将余弦相似度转换至 [0,1]区间，并将转换后的数值作为匹配得分；

88、进一步优选的，距离衰减参数为10～30。

89、根据本发明优选的，步骤3的具体实现过程包括：

90、构建对象级情感极性推理函数，包括：将属于情感分析候选句元的标准化句元级结构单元、筛选后的候选情感对象集合、最终证据集合和对应领域资源集合进行拼接，如下所示：

91、；

92、其中，表示拼接特征，表示拼接操作；

93、使用语义编码模型对拼接特征进行编码，得到对象级语义表示，并通过分类函数得到候选情感极性的概率分布：

94、；

95、其中，和分别表示分类计算的权重参数和偏置参数，表示分类函数；表示候选极性的概率分布；

96、当最终证据集合中的情感证据直接为评价词时，将情感证据识别为显式情感表达，并根据情感词典确定评价词的基础极性，结合否定表达和程度修饰词对基础极性进行调整，得到情感证据针对情感对象的显式情感判断结果；

97、当最终证据集合中的情感证据未出现评价词，但通过事实结果、异常状态、重复处理或用户体验后果反映对情感对象的评价倾向时，将情感证据识别为隐式情感表达，隐式情感判断结果表示为：

98、；

99、其中，表示隐式情感判断结果，表示隐式情感推理函数，包括：将情感对象 、情感证据以及领域资源集合作为输入，利用对象级情感极性推理函数获取候选极性的概率分布，选取概率最高的情感类别作为隐式情感判断结果；

100、当最终证据集合中的情感证据存在否定关系、程度修饰、转折关系、多对象并存或跨句指代时，将情感证据识别为复杂结构情感表达，并根据标点符号、否定表达、程度修饰语、转折关系及情感对象与对应情感证据的关系，将各情感证据分别关联至对应的情感对象；然后，将情感证据对应的情感对象及上下文片段信息输入对象级情感极性推理函数，得到复杂结构情感表达的候选极性的概率分布即复杂结构情感判断结果；

101、对于同一情感对象对应多条情感证据的情形，根据综合相关性得分确定各情感证据权重：

102、；

103、其中，表示第条情感证据在情感对象极性判断中的权重，表示第r条情感证据；

104、根据权重，获取极性判断结果：

105、；

106、其中，表示根据情感对象对应的各条情感证据的极性判断结果；为显式情感判断结果或隐式情感判断结果或复杂结构情感判断结果；

107、对各条情感证据的极性判断结果与候选极性的概率分布进行加权融合：

108、；

109、其中，表示情感对象的最终情感极性概率分布，表示语言模型输出所占权重，取值范围为；

110、选取最终情感极性概率分布中概率最大的情感类别作为候选情感极性；当最高概率大于预设置信度阈值时，将候选情感极性作为最终情感极性；当最高概率低于预设阈值，或者中的正向类别与负向类别的概率差值小于预设差值阈值时，标记为待复核或混合情感；

111、进一步优选的，语言模型输出所占权重为0.5；预设置信度阈值取值范围为0.7～0.9；预设差值阈值为0.1～0.2；

112、最优选的，预设置信度阈值为0.8；预设差值阈值为0.15。

113、根据本发明优选的，步骤4的具体实现过程包括：

114、对于每一个被识别的情感对象，生成对象级结构化分析结果：

115、；

116、其中，表示第个情感对象对应的结构化分析结果；若待分析文本中包含个情感对象，则待分析文本的结构化结果集合表示为：，表示第个情感对象；表示综合置信度；表示对象级结构化结果的处理状态，当筛选后的候选情感对象集合、最终证据集合与最终情感极性相同，且综合置信度达到预设置信度阈值时，处理状态设置为自动通过；当综合置信度未达到预设置信度阈值，或者存在证据冲突、最终情感极性概率分布中最高概率与次高概率之间的差值小于预设差值阈值、情感对象与情感证据对应关系不明确时，处理状态设置为待复核；表示情感对象对应的候选对象级情感极性：；其中，表示预设的情感极性类别集合，至少包括正向、负向、中性和待定；表示在情感极性概率分布中情感对象属于情感极性类别的概率；当结构化分析结果被标记为待复核时，表示候选极性；表示推理说明，根据领域资源集合中的结构化输出字段确认推理说明，若不存在相匹配的推理说明，则根据情感对象、证据集合、候选极性，以及否定词作用范围、程度修饰关系、转折关系和领域证据模板，采用预设解释模板或大语言模型生成推理说明；

117、当为自动通过时，直接作为最终对象级情感分析结果；当为待复核时，作为候选分析结果提交人工复核或二次模型校验，并根据复核结果进行更新，形成经确认的对象级情感分析结果；

118、对于同一待分析文本的结构化分析结果集合中存在多个不同情感对象，或者某一情感对象对应的最终证据集合中存在多条情感证据的情形，对对象级情感分析结果进行融合和冲突消解；包括：

119、对情感对象进行名称规范化处理，并转化为标准名称即领域术语词表中的简称、别称及同义表达；当两个情感对象的名称相同，或者二者之间存在同义、简称、别称、指代、文本范围重叠或共同指向同一被评价实体中的至少一种关系时，认定为语义相同的情感对象；当两个情感对象的情感对象相似度达到预设阈值 ，且二者属于相同的领域情感对象类别时，认定为高度相似的情感对象；

120、对于认定为语义相同的情感对象或认定为高度相似的情感对象进行合并，同时，选取领域术语词表中的标准名称作为合并后的对象名称；若领域术语词表中不存在标准名称，则选取对象识别置信度最高、文本表达最完整或出现频率最高的对象名称作为合并后的对象名称；同时对合并对象对应的证据集合进行并集处理，删除文本内容相同、位置范围重叠或语义高度重复的证据，并保留各条证据对应的来源句元、位置标识、综合相关性得分和证据级判断置信度；其中证据级判断置信度为情感极性概率分布中，情感证据属于情感极性类别的概率的最大值；

121、对于同一待分析文本的结构化分析结果集合中存在同一情感对象对应多条情感证据的情形，根据各条情感证据的证据强度、上下文接近程度和证据级判断置信度计算证据融合权重：

122、；

123、其中，表示第k条情感证据的证据强度即支持强度，表示情感对象与情感证据之间的上下文接近程度，表示第条情感证据对应的证据级判断置信度；表示第r条情感证据的证据强度，表示情感对象与第r条情感证据的上下文接近程度，表示第条情感证据对应的证据级判断置信度；

124、利用证据融合权重对不同情感证据的情感极性概率分布进行加权融合：

125、；

126、其中，表示融合后的情感极性概率分布；

127、对于同一待分析文本的结构化分析结果集合中存在证据冲突的情感对象，为各条情感证据计算冲突消解得分：

128、；

129、其中，表示综合相关性得分，参数位于区间，且满足：；

130、当融合后的情感极性概率分布达到预设极性判断阈值，且的最高概率与次高概率之间的差值达到预设差值阈值时，将最高概率对应的情感极性作为对象级判断结果，将最高概率对应的情感极性作为对象级情感分析结果；当正向和负向类别的情感证据的证据强度达到证据强度阈值，或者当融合后的情感极性概率分布中最高概率与次高概率之间的差值低于预设差值阈值时，将情感对象标记为混合情感或待复核；

131、进一步优选的，预设阈值 为0.85；预设极性判断阈值为0.7～0.9；证据强度阈值为0.7～0.9；

132、进一步优选的，情感对象相似度包括：对于情感对象和 ，情感对象相似度计算公式为：

133、；

134、其中，表示和 的情感对象相似度， 表示两个情感对象的向量语义相似度，通过文本编码模型生成对象向量并计算余弦相似度得到；表示对象名称的词汇重合度，通过对情感对象的字符集合、词元集合或关键词集合的杰卡德相似度计算得到； 表示同义词、简称、别称或指代关系匹配度，当两个情感对象在领域术语词表中被标记为同义表达，或者两个情感对象指向同一被评价实体时取1，否则取0；表示相似度参数，取值范围为 区间，且满足；

135、证据强度用于表示某一候选证据对目标情感对象及情感极性判断的支持程度；第条候选证据相对于情感对象的证据强度表示为：

136、；

137、其中，表示证据强度即支持强度， 表示综合相关性得分； 表示证据情感指向的明确程度，根据证据级情感分类结果中的最高极性概率确定； 表示候选证据与领域评价词、否定结构、事实结果描述或其他情感证据模板的匹配程度即语义相似度；表示情感证据与同一情感对象其他情感证据之间的极性一致程度，即与同一情感对象其他证据的情感极性相同时取1，不相同时取0；参数 均位于区间，且满足：；

138、情感对象与候选证据之间的上下文接近程度表示为：

139、；

140、其中， 表示情感对象与候选证据之间间隔的词元数量或句元数量， 表示距离衰减参数；

141、综合置信度如下所示：

142、；

143、其中，表示情感对象识别置信度，表示情感证据匹配置信度，表示情感极性推理置信度，为权重参数，位于区间，且权重参数之和为1；

144、其中，情感对象识别置信度 根据对象边界识别概率、领域对象类别匹配度以及对象与评价表达之间的关联程度计算：

145、；

146、其中，表示情感对象识别模型输出的对象边界或对象类别概率；表示候选对象与领域对象类别及领域术语词表之间的匹配程度，当候选对象与领域情感对象类别或领域术语词表中的对象名称、同义词、简称或别称相同时取1；不相同时，计算候选对象与各领域对象类别或领域术语之间的语义相似度，并取最高相似度作为 ；表示候选对象与评价表达关联程度即关联得分；参数 位于区间，且满足：；

147、情感证据匹配置信度根据最终证据集合中各条证据的综合相关性得分进行加权计算：

148、；

149、其中， 为证据融合权重；

150、情感极性推理置信度 根据融合后的极性概率分布中的最高概率，以及最高概率与次高概率之间的差值计算：

151、；

152、其中， 表示融合后的极性概率分布中的最高概率， 表示次高概率；参数均位于区间，且满足：；

153、进一步优选的，权重参数 分别设置为0.3、0.3和0.4。

154、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述融合情感对象抽取与情感极性推理的文本情感分析方法的步骤。

155、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述融合情感对象抽取与情感极性推理的文本情感分析方法的步骤。

156、本发明的另一个方面提供一种融合情感对象抽取与情感极性推理的文本情感分析系统，包括：

157、结构单元与领域资源构建模块，被配置为：对原始待分析文本进行结构化预处理，构建标准化句元级结构单元，并根据原始待分析文本所属领域类型，构建领域资源集合；

158、情感对象与候选证据获取模块，被配置为：根据标准化句元级结构单元和领域资源集合进行情感相关性判断，筛选出情感分析候选句元，并获取属于情感分析候选句元的标准化句元级结构单元；

159、对属于情感分析候选句元的标准化句元级结构单元进行语义解析，识别候选情感对象集合，并对情感对象集合进行筛选；

160、对筛选后的候选情感对象集合提取候选评价成分，形成候选证据集合，对候选证据集合进行筛选后计算候选情感对象集合与选证据集合之间的综合相关性评分，根据相关性评分获取最终证据集合；

161、情感极性推理模块，被配置为：对属于情感分析候选句元的标准化句元级结构单元、筛选后的候选情感对象集合、最终证据集合和对应领域资源集合进行情感极性推理，获取最终情感极性；

162、融合与冲突消解模块，被配置为：构建对象级结构化分析结果，并进行复核，生成对象级情感分析结果；

163、根据情感对象相似度、证据强度及综合置信度，对对象级情感分析结果进行融合和冲突消解。

164、本发明的有益效果在于：

165、1、本发明通过引入文本结构化处理模块和情感相关句元筛分机制，能够对用户评论、对话记录、意见反馈等非结构化文本进行切分、标准化、来源标记和上下文保留，形成可追溯的句元级分析单元，并过滤无明确情感分析价值的文本片段，从而减少无关内容进入后续推理流程，提高文本情感分析的处理效率与稳定性。

166、2、本发明构建了情感对象识别模块与情感证据识别模块，能够自动定位文本中的产品属性、服务环节、事件行为、处理结果等被评价对象，并提取与其相关的评价词、修饰语、否定结构、转折关系及隐式事实描述，有效建立情感对象与情感证据之间的对应关系，降低对象识别错误和证据错配问题。

167、3、本发明设计了情感极性推理模块以及结果融合与置信度校验模块，能够针对显式情感、隐式情感、否定表达、转折结构和多对象混合评价等复杂场景进行对象级情感判断，并输出包含情感对象、证据片段、情感极性、置信度及推理说明的结构化结果，显著提升情感分析结果的准确性、可解释性、可追溯性和可复核性。