情感极性确定方法、装置、设备、存储介质及程序产品与流程

1.本公开涉及文本数据处理技术领域，具体涉及深度学习、大数据等人工智能技术领域，尤其涉及一种情感极性确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。


背景技术：

2.人们进行评论的时候，往往不会单单仅对某一产品或服务的单一属性进行观点陈述或评论，而是会分别对产品或服务的多个属性同时、分别进行观点陈述或评论，并对不同属性的评论可能会褒贬不一，因此针对属性级别的情感分析在真实的场景中更加实用。


技术实现要素：

3.本公开实施例提出了一种情感极性确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
4.第一方面，本公开实施例提出了一种情感极性确定方法，包括：获取包含有对目标实体的多个属性进行观点陈述的待处理文本；将提取自待处理文本中同一短句中的属性和观点构建为第一属性观点对；将从待处理文本中仅包含观点的短句中提取出的伪独立观点与关联短句中提取出的属性，构建为第二属性观点对；根据第一属性观点对和第二属性观点对，分别确定对每个属性的观点所对应的情感极性。
5.第二方面，本公开实施例提出了一种情感极性确定装置，包括：待处理文本获取单元，被配置成获取包含有对目标实体的多个属性进行观点陈述的待处理文本；第一属性观点对构建单元，被配置成将提取自待处理文本中同一短句中的属性和观点构建为第一属性观点对；第二属性观点对构建单元，被配置成将从待处理文本中仅包含观点的短句中提取出的伪独立观点与关联短句中提取出的属性，构建为第二属性观点对；情感极性确定单元，被配置成根据第一属性观点对和第二属性观点对，分别确定对每个属性的观点所对应的情感极性。
6.第三方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的情感极性确定方法。
7.第四方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的情感极性确定方法。
8.第五方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的情感极性确定方法的步骤。
9.本公开所提供的情感极性确定方法，对包含有对实体的多个属性进行观点陈述的
待处理文本，通过将在待处理文本中同一短句中的属性和观点构建为第一属性观点对，以及将仅包含有观点的伪独立观点与关联短句中的属性构建为第二属性观点对，得以在句法结构的支持下准确的划分观点所属的属性，进而得到准确构建出的属性观点对准确的确定对每个属性的观点的情感极性，以便于根据情感极性确定需要调整的属性和调整方向。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
12.图1是本公开可以应用于其中的示例性系统架构；
13.图2为本公开实施例提供的一种情感极性确定方法的流程图；
14.图3为本公开实施例提供的情感极性确定方法中一种构建第二属性观点对的方法的流程图；
15.图4为本公开实施例提供的在一应用场景下的情感极性确定方法的整体流程示意图；
16.图5a为本公开实施例提供的一种使用skep模型提取属性和观点的过程示意图；
17.图5b为本公开实施例提供的一种使用skep模型判定情感极性的过程示意图；
18.图6为本公开实施例提供的一种情感极性确定装置的结构框图；
19.图7为本公开实施例提供的一种适用于执行情感极性确定方法的电子设备的结构示意图。
具体实施方式
20.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
21.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
22.图1示出了可以应用本公开的情感极性确定方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
23.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
24.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如评论分析类应用、情感极性分析类应用、即时通讯类应用等。
25.终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、
102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
26.服务器105通过内置的各种应用可以提供各种服务，以可以提供情感极性分析服务的情感极性分析类应用为例，服务器105在运行该情感极性分析类应用时可实现如下效果：首先，通过网络104接收终端设备101、102、103传入的包含有对目标实体的多个属性进行观点陈述的待处理文本；然后，将提取自待处理文本中同一短句中的属性和观点构建为第一属性观点对；接着，将从待处理文本中仅包含观点的短句中提取出的伪独立观点与关联短句中提取出的属性，构建为第二属性观点对；最后，根据第一属性观点对和第二属性观点对，分别确定对每个属性的观点所对应的情感极性。
27.进一步的，服务器105可将分析出的情感极性结果通过网络104再返回至传入待处理文本的终端设备101、102、103。
28.需要指出的是，待处理文本除可以从终端设备101、102、103通过网络104实时获取到之外，也可以通过各种方式预先存储在服务器105本地。因此，当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理任务)，可选择直接从本地获取这些数据，在此种情况下，示例性系统架构100也可以不包括终端设备101、102、103和网络104。
29.本公开后续各实施例所提供的情感极性确定方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，情感极性确定装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有满足要求的运算能力和运算资源时，终端设备101、102、103也可以通过其上安装的情感极性分析类应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下，但情感极性分析类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时，可以让终端设备来执行上述运算，从而适当减轻服务器105的运算压力，相应的，情感极性确定装置也可以设置于终端设备101、102、103中。在此种情况下，示例性系统架构100也可以不包括服务器105和网络104。
30.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
31.请参考图2，图2为本公开实施例提供的一种情感极性确定方法的流程图，其中流程200包括以下步骤：
32.步骤201：获取包含有对目标实体的多个属性进行观点陈述的待处理文本；
33.本步骤旨在由情感极性确定方法的执行主体(例如图1所示的服务器105)获取包含有对目标实体的多个属性进行观点陈述的待处理文本。
34.例如“这个薯片味道真的太好了，口感很脆，只是包装很一般”、“这家店的蛋糕味道不错，很好吃，店家服务也很耐心、很棒”等。其中，“薯片”作为实体、“味道”、“口感”、“包装”为该实体的不同属性，“太好了”、“脆”、“一般”则作为对应属性的观点陈述内容；“蛋糕”作为实体、“味道”、“店家服务”为该实体的不同属性，“不错”、“好吃”、“耐心”、“棒”则作为
对应属性的观点陈述内容。
35.步骤202：将提取自待处理文本中同一短句中的属性和观点构建为第一属性观点对；
36.在步骤201的基础上，本步骤旨在由上述执行主体将提取自待处理文本中同一短句中的属性和观点构建为第一属性观点对。即通常情况下，待处理文本由多个短句构成，本步骤旨在将处于同一短句中的属性和观点构建为第一属性观点对，其表现形式可以为：属性—观点。可以将同时存在属性和观点的短句命名为第一短句，即从构成待处理文本的第一短句中提取第一属性观点对。
37.步骤203：将从待处理文本中仅包含观点的短句中提取出的伪独立观点与关联短句中提取出的属性，构建为第二属性观点对；
38.本步骤旨在由上述执行主体将从仅包含观点的短句中提取出伪独立观点，并将其与关联短句中提取出的属性来共同构成第二属性观点对。区别于同时存在属性和观点的第一短句，且由于通常不会存在仅包含属性、不包含观点的短句，此时仅包含有观点的短句可被命名为第二短句，即从第二短句中提取出伪独立观点，并将该伪独立观点与该第二短句的关联短句中的属性构建为第二属性观点对。
39.通常情况下，第二短句中不包含属性的原因，是因为中文语境中连续短句可以共用一个主语，从而精简表述，因此必然在第二短句的关联短句中存在省略的主语(即属性)，即之所以将其称为伪独立观点，是因为该“观点”指示形式上看起来没有配套的“属性”，但实际上是存在的，只不过因为表述习惯被省略了，所以其并不是一个真正独立存在的观点。通常情况下，关联短句为在第二短句之前的第一短句，当然，在某些特殊情况下，关联短句也可以为第二短句后的某个短句后(例如采用倒装的表述方式的文本)或其它位置的某个短句。
40.步骤204：根据第一属性观点对和第二属性观点对，分别确定对每个属性的观点所对应的情感极性。
41.在步骤202和步骤203的基础上，本步骤旨在由上述执行主体根据第一属性观点对和第二属性观点对，按相同属性整合相应的观点，以便于根据整合后的观点内容确定对应相应属性的情感极性。
42.情感极性的分析是对带有感情色彩的主观性文本进行分析、处理、归纳和推理的过程。按照处理文本的类别不同，可分为基于新闻评论的情感分析和基于产品评论的情感分析。其中，前者多用于舆情监控和信息预测，后者可帮助用户了解某一产品在大众心目中的口碑。而情感极性通常可以简单的分为正向(或积极、认可)和负向(或消极、不认可)两类，或者分为：正向、中性、负向三类，具体的，可以通过查询预先构建好的文本或词汇所属的情感极性分类表来分别确定每个观点多对应的情感极性类别和该类别下的极性程度。
43.一种包括且不限于的实现方式可以为：
44.根据第一属性观点对和第二属性观点对，分类得到与每个属性对应的观点集合；
45.分别根据与每个属性对应的观点集合中的每个观点对应的情感极性，确定与每个属性对应的综合情感极性。
46.即将第一属性观点对和第二属性观点对中，将对应相同属性的属性观点对中的不同观点汇总为该属性的观点集合，从而综合观点集合中的每个观点，确定对相应属性的综
合情感极性，以提升准确性。
47.进一步的，为了增强确定出的情感极性的可解释性，还可以随情感极性一并输出对应的属性-观点对，从而便于确定情感极性的好坏所对应的属性，或者在执行步骤204之前将第一属性观点对和第二属性观点对输出。
48.本公开实施例提供的情感极性确定方法，对包含有对实体的多个属性进行观点陈述的待处理文本，通过将在待处理文本中同一短句中的属性和观点构建为第一属性观点对，以及将仅包含有观点的伪独立观点与关联短句中的属性构建为第二属性观点对，得以在句法结构的支持下准确的划分观点所属的属性，进而得到准确构建出的属性观点对准确的确定对每个属性的观点的情感极性，以便于根据情感极性确定需要调整的属性和调整方向。
49.在本公开的可选的一些其它实施例中，还可以利用预设的提取模型从待处理文本中提取属性和观点，该提取模型是预先使用对属性和/或观点的首字和非首字进行标注的训练样本训练得到，从而基于该训练样本的训练，使得训练后的提取模型具备了识别哪些文本是属性和/或观点的首字、非首字，进而能够从待处理文本中提取属性和观点。
50.其中，对属性和/或观点的首字和非首字的标注，可采用bio(b-begin，i-inside，o-outside)标注法，该标注法下b-x代表属性或观点x的开头，i-x代表属性或观点的结尾，o代表不属于任何类型的。当然，除了采用bio标注法外，也可以采用与其效果类似的bioes(b-begin，i-inside，o-outside，e-end，s-single)标注法，该标注法下b表示开始、i表示内部、o表示非实体、e实体尾部、s表示该词本身就是一个实体，具体采用哪种标注法此处不做具体限定。
51.进一步的，在具体如何利用提取模型实现属性和观点的提取方面，还可以分为采用两个模型分别提取属性和观点，以及采用一个模型同时提取属性和观点。
52.例如，利用预设的属性提取模型从待处理文本中提取属性；其中，属性提取模型预先使用对属性的首字和非首字进行标注的训练样本训练得到；
53.利用预设的观点提取模型从待处理文本中提取观点；其中，观点提取模型预先使用对观点的首字和非首字进行标注的训练样本训练得到。
54.又例如利用预设的综合提取模型同时从待处理文本中提取出属性和观点；其中，综合提取模型预先使用对属性和观点的首字和非首字进行标注的训练样本训练得到。
55.需要说明的是，相比于通过属性提取模型和观点提取模型分别提取属性和观点的方式，利用综合提取模型同时提取属性和观点的方式，由于在训练阶段就同时对训练样本进行了属性和观点的标注，使得起在学习过程中可以捕捉属性与观点之间的隐含关联，能够尽可能的提升提取出的属性和观点的准确性，减少因属性或观点分别提取错误导致的问题数量。
56.具体的，该提取模型可以选用对自然语言处理领域使用较多的bert模型，也可以使用引入情感先验知识的预训练(sentiment knowledge enhanced pre-training for sentiment analysis，skep)模型，以借助其对引入情感先验知识的预训练过程，提升对属性和观点的提取准确性，也便于后续进行情感极性分析。
57.请参考图3，图3为本公开实施例提供的情感极性确定方法中一种构建第二属性观点对的方法的流程图，即针对图2所示的流程200中的步骤203提供了一种具体的实现方式，
流程200中的其它步骤并不做调整，即可将本实施例所提供的具体实现方式以替换步骤203的方式得到一个新的完整实施例。其中流程300包括以下步骤：
58.步骤301：从待处理文本中仅包含观点的短句中提取出伪独立观点；
59.本步骤旨在由上述执行主体从待处理文本中仅包含观点的短句中提取出伪独立观点，即首先确定哪些短句是第二短句，然后从第二短句中提取出该伪独立观点。
60.步骤302：将待处理文本中在伪独立观点所在短句的前一个包含有属性的短句确定为关联短句；
61.在步骤301的基础上，本步骤旨在由上述执行主体将待处理文本中在伪独立观点所在短句的前一个包含有属性的短句确定为关联短句。由于这种情况通常可以覆盖绝大多数情况，因此本实施例选用该方式来确定关联短句，以提升确定效率。
62.步骤303：将伪独立观点与从关联短句中提取出的属性构建为第二属性观点对。
63.在步骤302的基础上，本步骤旨在由上述执行主体将伪独立观点与从关联短句中提取出的属性构建为第二属性观点对。
64.区别于流程200中的步骤203，本实施例通过步骤301-步骤303提供了一种更具体的实现方式，首先确定出第二短句，以便从第二短句中提取出伪独立观点，然后将其位于第二短句的前一个包含有属性的短句确定为关联短句，最终将该伪独立观点与该关联短句的属性构建为第二属性观点对，由于可覆盖绝大多数情况，使得在保障属性观点对构建正确的同时也提升了提取效率。
65.为加深理解，本公开还结合一个具体应用场景，给出了一种具体的实现方案，请参见如图4所示的整体流程示意图：
66.本实施例提出了一个完整的细粒度情感分析的实现方案：对于一段产品评论信息，首先会将其传入属性和观点抽取模块，从而分析出属性和观点词，接下来会将分析结果传给细粒度情感极性判别模块，分析出相应属性的情感极性。
67.其中，针对属性和观点抽取模块，提出了一种基于情感专属模型skep，进行同步提取属性和观点词的评论观点抽取方案，请参见图5a，整体的预测流程可以概括为：首先将评论文本传入skep模型，利用skep模型对输入文本进行序列标注，根据skep模型的预测序列结果进行解码，同时解码出相应的属性和对应的观点词。
68.该方案实现中拓展了bio标签体系，利用5个标签体系进行属性和观点词的标注。如下：
69.b-aspect属性起始字标签、i-aspect#属性中间字标签、b-opinion#观点起始字标签、i-opinion#观点中间字标签、o#其他标签；根据skep模型输出的标签序列还同时提出了一套解码策略：即同一个短句之内抽取的评论属性和观点词优先匹配；当短句中只有观点词时，则将该观点次优先匹配到前一个评论短句的属性。
70.该方案在实现过程中首先需要按照以上标注体系进行数据标注，然后训练基于skep的评论观点抽取模型，训练中保存效果最好的模型，然后基于该模型进行模型测试或预测。
71.针对细粒度情感极性判别模块，提出了一种基于skep模型的融合属性和观点的属性级情感分类方法：
72.1.分析出一句query(查询词或查询语句)的属性和对应的观点词；
73.2.根据分析出的属性和观点词，执行一套语句拼接的策略：
74.a)抽取的评论属性和对应的观点词拼接为短句，如属性为【味道】、观点词为【好】，则可以拼接得到：【味道好】；
75.b)如果一个属性存在多个对应的观点词，则将该属性分别和每个观点词进行拼接，然后统一拼接为一条短句。如属性为【味道】，观点词为【好】和【不错】，则可以拼接得到：【味道好，味道不错】；
76.c)最后将拼接的短句和原始的文本按照skep的输入形式进行拼接，并将拼接结构作为一个独立的样本。如【cls味道好，味道不错sep这家店味道很好，很不错，非常推荐大家来】；
77.3.基于skpe构建属性级情感分类模型，并将拼接处理后的文本传入skep模型，利用skep模型输出的cls位置向量进行判断该属性的情感类别。
78.本实施例所提供的方案，基于skep模型进行属性级情感分类，并在分类过程中融合属性和观点词两者的信息，从而给模型一个属性分类的明确信号，用于指导模型进行更为准确的情感分类。
79.本实施例所提供方案可以广泛应用于电商评论、服务评论以及舆情分析系统中。以酒店评论为例，通过该方案可以抽取酒店的不同属性以及对应的评论观点词，然后可以按照不同属性聚合观点词，从而判断每个属性的好评和不足。
80.例如一种可能的分析结果如下：
81.1.服务：好，贴心，耐心，很棒；
82.2.环境：一般，较差，不好，有待改进，还可以。
83.进而统计出如下的结果，可以帮助店家更具体，更有针对性的分析服务或产品好坏。
84.进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种情感极性确定装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
85.如图6所示，本实施例的情感极性确定装置600可以包括：待处理文本获取单元601、第一属性观点对构建单元602、第二属性观点对构建单元603、情感极性确定单元604。其中，待处理文本获取单元601，被配置成获取包含有对目标实体的多个属性进行观点陈述的待处理文本；第一属性观点对构建单元602，被配置成将提取自待处理文本中同一短句中的属性和观点构建为第一属性观点对；第二属性观点对构建单元603，被配置成将从待处理文本中仅包含观点的短句中提取出的伪独立观点与关联短句中提取出的属性，构建为第二属性观点对；情感极性确定单元604，被配置成根据第一属性观点对和第二属性观点对，分别确定对每个属性的观点所对应的情感极性。
86.在本实施例中，情感极性确定装置600中：待处理文本获取单元601、第一属性观点对构建单元602、第二属性观点对构建单元603、情感极性确定单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
87.在本实施例的一些可选的实现方式中，情感极性确定装置600还可以包括：
88.属性及观点提取单元，被配置成利用预设的提取模型从待处理文本中提取属性和观点；其中，提取模型预先使用对属性和/或观点的首字和非首字进行标注的训练样本训练
得到。
89.在本实施例的一些可选的实现方式中，属性及观点提取单元可以被进一步配置成：
90.利用预设的属性提取模型从待处理文本中提取属性；其中，属性提取模型预先使用对属性的首字和非首字进行标注的训练样本训练得到；
91.利用预设的观点提取模型从待处理文本中提取观点；其中，观点提取模型预先使用对观点的首字和非首字进行标注的训练样本训练得到。
92.在本实施例的一些可选的实现方式中，属性及观点提取单元可以被进一步配置成：
93.利用预设的综合提取模型同时从待处理文本中提取出属性和观点；其中，综合提取模型预先使用对属性和观点的首字和非首字进行标注的训练样本训练得到。
94.在本实施例的一些可选的实现方式中，属性及观点提取单元可以被进一步配置成：
95.利用预设的引入情感先验知识的预训练模型从待处理文本中提取属性和观点
96.在本实施例的一些可选的实现方式中，第二属性观点对构建单元603可以被进一步配置成：
97.从待处理文本中仅包含观点的短句中提取出伪独立观点；
98.将待处理文本中在伪独立观点所在短句的前一个包含有属性的短句确定为关联短句；
99.将伪独立观点与从关联短句中提取出的属性构建为第二属性观点对。
100.在本实施例的一些可选的实现方式中，情感极性确定单元604可以被进一步配置成：
101.根据第一属性观点对和第二属性观点对，分类得到与每个属性对应的观点集合；
102.分别根据与每个属性对应的观点集合中的每个观点对应的情感极性，确定与每个属性对应的综合情感极性。
103.本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的情感极性确定装置，对包含有对实体的多个属性进行观点陈述的待处理文本，通过将在待处理文本中同一短句中的属性和观点构建为第一属性观点对，以及将仅包含有观点的伪独立观点与关联短句中的属性构建为第二属性观点对，得以在句法结构的支持下准确的划分观点所属的属性，进而得到准确构建出的属性观点对准确的确定对每个属性的观点的情感极性，以便于根据情感极性确定需要调整的属性和调整方向。
104.根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的情感极性确定方法。
105.根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的情感极性确定方法。
106.根据本公开的实施例，本公开还提供了一种计算机程序产品，该计算机程序在被
处理器执行时能够实现上述任意实施例所描述的情感极性确定方法。
107.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
108.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
109.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
110.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如情感极性确定方法。例如，在一些实施例中，情感极性确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的情感极性确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行情感极性确定方法。
111.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
112.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
113.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
114.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
115.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
116.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大，业务扩展性弱的缺陷。
117.根据本公开实施例的技术方案，对包含有对实体的多个属性进行观点陈述的待处理文本，通过将在待处理文本中同一短句中的属性和观点构建为第一属性观点对，以及将仅包含有观点的伪独立观点与关联短句中的属性构建为第二属性观点对，得以在句法结构的支持下准确的划分观点所属的属性，进而得到准确构建出的属性观点对准确的确定对每个属性的观点的情感极性，以便于根据情感极性确定需要调整的属性和调整方向。
118.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
119.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。