一种评论语句特定目标关键词情感分析方法及系统与流程

1.本发明涉及自然语言处理与文本分类领域，具体涉及一种评论语句 特定目标关键词情感分析方法及系统。


背景技术：

2.互联网平台中，评论语句是用户体验感重要的体现载体，评论语句中 对特定事物的情感极性体现了用户的满意度。其中，特定目标关键词文本 情感分类是一个细粒度的情绪分析任务。现今，有各种针对该研究问题提 出的方法。大多数模型都使用机器学习算法以监督学习的方式对文本进行 分类。像朴素贝叶斯和支持向量机(svm)这样的算法被广泛用于此问题。 近年来，神经网络已大大促进了情感分类研究的方法丰富性提升。神经网 络模型旨在从目标和上下文中自动学习有效的低维表示形式，并用于预测、 识别等任务；已经有一些研究使用注意力机制根据目标关键词来产生特定 于目标的句子表示，但这些研究并没有更进一步的关于目标关键词汇和语 句的联系进行深入研究。
3.在近些年学术界的研究中，引入了多种基于神经网络的方法来解决特 定目标关键词情感分类问题。大多数方法都基于rnn类神经网络。 td-lstm通过使用两个相反方向的lstm网络来建模方面目标关键词汇的 左右上下文来解决此问题，但是现有技术中基于lstm的深度学习模型主 要是对语句进行建模而忽视了目标关键词的重要性。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有技术中的基于lstm的 深度学习模型主要是对语句进行建模而忽视了目标关键词的重要性的缺 陷，从而提供一种评论语句特定目标关键词情感分析方法及系统。
5.为达到上述目的，本发明提供如下技术方案：
6.第一方面，本发明实施例提供一种评论语句特定目标关键词情感分析 方法，包括：获取待进行目标关键词情感分析的语句与至少一个目标关键 词；基于语句及目标关键词，得到语句映射矩阵及目标关键词映射矩阵； 利用预设编码器对语句映射矩阵及目标关键词映射矩阵分别进行编码，得 到语句映射编码矩阵及目标关键词编码矩阵；基于语句映射编码矩阵及目 标关键词编码矩阵，利用多层次注意力机制进行多重加权运算，得到注意 力向量；根据注意力向量，利用softmax函数计算得到每一种情感极性的判 别概率。
7.在一实施例中，基于语句及目标关键词，得到语句映射矩阵及目标关 键词映射矩阵的过程，包括：根据第一预训练词向量表、语句中每个词语 与目标关键词的距离，得到语句映射矩阵；查询第二预训练词向量表，获 得与目标关键词对应的目标关键词映射矩阵。
8.在一实施例中，根据第一预训练词表、语句中每个词语与目标关键词 的距离，得到语句映射矩阵的过程，包括：将目标关键词从语句中剔除， 并记录语句中每个词语与目标关键词的距离，得到已剔除目标关键词的语 句的位置信息；查询第一预训练词向量表，获取与已剔除目标关键词的语 句对应的映射向量，生成词向量矩阵；对已剔除目标关键词
的语句的位置 信息进行编码拓展，得到位置信息矩阵，将位置信息矩阵与预设位置信息 映射矩阵的乘积作为位置向量矩阵；将词向量矩阵与位置向量矩阵进行拼 接，得到语句映射矩阵。
9.在一实施例中，预设编码器为双向gru网络编码器。
10.在一实施例中，利用双向gru网络编码器对语句映射矩阵及目标关键 词映射矩阵分别进行编码，得到语句映射编码矩阵及目标关键词编码矩阵 的过程，包括：使用前向gru网络、反向gru网络分别对语句映射矩阵 进行学习，得到前向语句映射编码矩阵、后向语句映射编码矩阵；使用前 向gru网络、反向gru网络分别对目标关键词映射矩阵进行学习，得到 前向目标关键词编码矩阵、后向目标关键词编码矩阵；将前向语句映射编 码矩阵、后向语句映射编码矩阵进行元素相加，得到语句映射编码矩阵； 将前向目标关键词编码矩阵、后向目标关键词编码矩阵进行元素相加，得 到目标关键词编码矩阵。
11.在一实施例中，多层次注意力机制包括：语句级注意力机制、目标关 键词级注意力机制、交互级注意力机制。
12.在一实施例中，基于语句映射编码矩阵及目标关键词编码矩阵，利用 多层次注意力机制进行多重加权运算，得到注意力向量的过程，包括：利 用语句级注意力机制对语句映射编码矩阵添加权重；利用目标关键词级注 意力机制对目标关键词编码矩阵添加权重；将带权重值的语句映射编码矩 阵与带权重值的目标关键词编码矩阵的转置矩阵的乘积，作为交互矩阵； 利用交互级注意力机制对交互矩阵添加权重，得到注意力向量。
13.第二方面，本发明实施例提供一种评论语句特定目标关键词情感分析 系统，包括：输入层模块，用于获取待进行目标关键词情感分析的语句与 至少一个目标关键词；向量映射层模块，用于基于语句及目标关键词，得 到语句映射矩阵及目标关键词映射矩阵；编码层模块，用于利用预设编码 器对语句映射矩阵及目标关键词映射矩阵分别进行编码，得到语句映射编 码矩阵及目标关键词编码矩阵；多层次注意力层模块，用于基于语句映射 编码矩阵及目标关键词编码矩阵，利用多层次注意力机制进行多重加权运 算，得到注意力向量；预测层模块，用于根据注意力向量，利用softmax 函数计算得到每一种情感极性的判别概率。
14.第三方面，本发明实施例提供一种计算机设备，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，指令被至少一个处理器执行，以使至少一个 处理器执行本发明实施例第一方面的评论语句特定目标关键词情感分析方 法。
15.第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读 存储介质存储有计算机指令，计算机指令用于使计算机执行本发明实施例 第一方面的评论语句特定目标关键词情感分析方法。
16.本发明技术方案，具有如下优点：
17.1.本发明提供的评论评论语句特定目标关键词情感分析方法及系统， 获取待进行目标关键词情感分析的语句与至少一个目标关键词，基于所述 语句及目标关键词，得到语句映射矩阵及目标关键词映射矩阵，利用预设 编码器对所述语句映射矩阵及目标关键词映射矩阵分别进行编码，得到语 句映射编码矩阵及目标关键词编码矩阵，基于语句映射编码矩阵及目标关 键词编码矩阵，利用多层次注意力机制进行多重加权运算，得到注意力
向 量，根据注意力向量，利用softmax函数计算得到每一种情感极性的判别概 率，从而克服了现有技术对语句进行建模而忽视了目标关键词的重要性的 缺陷。
18.2.本发明提供的评论评论语句特定目标关键词情感分析方法及系统，使 用多层次注意力机制配与双向gru网络构建模型进行分析，能够关注到评 论语句中与目标关键词相关并具有情感色彩的词语，加强了情感分析能力。
附图说明
19.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。
20.图1为本发明实施例提供的情感分析模型结构图；
21.图2为本发明实施例提供的评论评论语句特定目标关键词情感分析 方法的一个具体示例的流程图；
22.图3为本发明实施例提供的评论评论语句特定目标关键词情感分析 方法的另一个具体示例的流程图；
23.图4为本发明实施例提供的评论评论语句特定目标关键词情感分析 方法的另一个具体示例的流程图；
24.图5为本发明实施例提供的评论评论语句特定目标关键词情感分析 方法的另一个具体示例的流程图；
25.图6为本发明实施例提供的评论评论语句特定目标关键词情感分析 方法的另一个具体示例的流程图；
26.图7为本发明实施例提供的评论评论语句特定目标关键词情感分析 方法的另一个具体示例的流程图；
27.图8为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
28.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发 明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得 的所有其他实施例，都属于本发明保护的范围。
29.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术 语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以 是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以 是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连 通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而 言，可以具体情况理解上述术语在本发明中的具体含义。
30.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼 此之间未构成冲突就可以相互结合。
31.实施例1
32.本发明实施例提供的评论语句特定目标关键词情感分析方法通过基于 双向gru神经网络与多层次的注意力机制的组合得到情感分析模型实现， gru神经网络是lstm的一种变体，它对lstm做了很多简化，同时却保 持着和lstm几乎相同的效果，情感分析模型结构图如图1所示，由图1 可知情感分析模型包括：输入层、向量映射层、编码层、多层次注意力层、 预测层。
33.本发明实施例的情感分析模型具有三种不同的使用方式，具体如下：
34.(1)完全训练模式：将模型完全初始化，在给出的训练集中进行训 练与测试，最终将训练好的模型用于预测与实际任务。这种方法适合拥有 大量已做好标签的数据集资源的用户使用，将模型的性能完全拟合于自己 的业务场景。
35.具体地，完全训练模块实施步骤可以包括：
①
将数据集按一定的比例 划分为训练数据和测试数据。
②
设置是否需要使用已经经过预训练 (pre-trained)的词向量作为映射层的映射向量，在本模型中可以使用glove 词向量作为预训练的映射。
③
完成模型参数设置。
④
将模型运用在所需要 进行特定目标情感分析的语句上进行情感极性预测，投入到生产环境中。
36.(2)预训练模式：使用模型运维设计人员已训练好的模型参数，不 进行训练，直接在业务场景中进行使用。这种方式需要的硬件条件最低， 减少了大量模型训练的时间成本，但模型性能完全由模型运维设计人员决 定，在自己的应用场景中是否拟合不可知。
37.具体地，预训练模式实施步骤可以包括：
①
获取模型运维设计人员提 供的经过预先训练的模型权重参数。
②
根据给出的预先训练的模型设置模 型超参数，导入预训练的模型权重。
③
步骤三：将模型应用于业务场景进 行情感极性分析。
38.(3)迁移训练模式：使用模型运维设计人员已训练好的模型参数， 在自己业务特有的数据集上仅进行最后的预测层的训练(fine-tuning)。这 种方法是前两种方法的结合，能够在少量训练成本下将模型拟合于自身应 用场景的数据。
39.具体地，迁移训练模式实施步骤可以包括：
①
获取模型运维设计人员 提供的经过预先训练的模型权重参数。
②
根据给出的预先训练的模型设置 模型超参数，导入预训练的模型权重。
③
将模型在自身业务场景特有的训 练数据集上进行微调训练。
④
将完成微调训练的模型应用于业务场景进行 情感极性分析。
40.如图2所示，基于情感分析模型，本发明实施例评论语句特定目标关 键词情感分析方法包括：
41.步骤s11：获取待进行目标关键词情感分析的语句与至少一个目标关键 词。
42.具体地，本发明实施例情感分析模型的输入层将待进行目标关键词情 感分析的语句与目标关键词输入至模型中。
43.步骤s12：基于语句及目标关键词，得到语句映射矩阵及目标关键词映 射矩阵。
44.具体地，本发明实施例将语句经过预训练词表映射为词向量矩阵，再 将语句中每个词语与目标关键词的距离经过位置信息映射表映射为位置向 量矩阵，之后将两矩阵按列拼接生成语句映射矩阵；目标关键词将只通过 预训练词表映射为目标关键词映射矩阵。
45.具体地，如图3所示，步骤s12由步骤s21～步骤s22实施，如下：
46.步骤s12：根据第一预训练词向量表、语句中每个词语与目标关键词的 距离，得到语句映射矩阵。
47.具体地，语句映射与目标关键词映射不同。目标关键词一般为一个单 词或多个单词组成的短语如“dining environment”(用餐环境)、“service
”ꢀ
(服务)，而语句包含目标关键词并且一般为包含主谓宾成分的完整句式， 能够完整地表示一个事件，如“the dining environment is so terrible”(用餐 环境真是太糟糕了)。并且语句中并不是所有的单词都与目标关键词相关， 语句中每个词语与目标关键词的位置关系也应该被考虑；因此，需要对语 句的每个词语与目标关键词的位置信息需要进一步进行向量映射。
48.具体地，如图4所示，步骤s12由步骤s31～步骤s34实施，如下：
49.步骤s31：将目标关键词从语句中剔除，并记录语句中每个词语与目标 关键词的距离，得到已剔除目标关键词的语句的位置信息。
50.具体地，在进行语句处理时，需要将目标关键词从语句中剔除，并且 记录语句中每个词语与目标关键词的距离作为语句位置信息，例如：关键 词为“dining environment”，语句为“the dining environment is so terrible”， 则词语“the”与关键词“dining environment”的距离为“1”，词语“is”与 关键词“dining environment”的距离为“1”，词语“so”与关键词“diningenvironment”的距离为“2”，词语“terrible”与关键词“dining environment
”ꢀ
的距离为“3”。
51.步骤s32：查询第一预训练词向量表，获取与已剔除目标关键词的语句 对应的映射向量，生成词向量矩阵。
52.具体地，特定目标情感分析中，语句通常是除了包含情感目标词之外 还包含主语、谓语、宾语的完整句式，以目标关键词为中心表示情感极性， 所包括的语句信息量较多。在进行语句的每个词语向量映射时，可以使用 glove词向量模型在包含大量完整评论语句的大型语料库，如twitter、 google news语料库，进行预训练，生成与每个单词相对应的具有矩阵形式 的第一预训练词向量表其中ds表示为每个词语映射后的维度 大小，ns表示为所有可能出现词语的数量。
53.具体地，已剔除目标关键词的语句(其中n表 示为语句的词语数，m表示为目标关键词的数量)，通过查询第一预训练词 向量表获得与之对应的映射向量，生成语句的词向量矩阵sw。
54.步骤s33：对已剔除目标关键词的语句的位置信息进行编码拓展，得到 位置信息矩阵，将位置信息矩阵与预设位置信息映射矩阵的乘积作为位置 向量矩阵。
55.具体地，将已剔除目标关键词的语句的位置信息p＝{p1,p2,...,p
n-m
} (其中n表示为语句的词语数，m表示为目标关键词的数量)拓展为one-hot 编码的位置信息矩阵ps＝[p1,p2,...,p
n-m
]，其中pi(i＝1,2,
…
,n-m)代表了 每一个位置信息对应的one-hot向量，ps∈r
(n-m)
×
dis
，其中dis为最大距离。
[0056]
之后，初始化预设位置信息映射矩阵w
p
，w
p
的矩阵大小为d
p
×dis
，d
p
代表位置信息映射维度大小；通过one-hot编码的位置信息矩阵 ps＝[p1,p2,...,p
n-m
]与预设位置信息映射矩阵w
p
进行矩阵相乘得到位置 向量矩阵s
p
，如式(1)所示，并设定预设位置信息映射矩阵w
p
的权重参数在 训练过程中会被更新。
[0057][0058]
步骤s34：将词向量矩阵与位置向量矩阵进行拼接，得到语句映射矩阵。
[0059]
具体地，将词向量矩阵sw与位置向量矩阵s
p
进行拼接，得到语句映射 矩阵s，计算公式为：
[0060][0061]
步骤s22：查询第二预训练词向量表，获得与目标关键词对应的目标关 键词映射矩阵。
[0062]
具体地，通过查询第二预训练词向量表获取与目标关键词 (其中m表示为目标关键词的数量)对应的目标关键 词映射矩阵t＝[t1,t2,...,tm]，ti(i＝1,2,
…
,m)其中代表目标词中每一个单词对 应的映射后向量，t的矩阵大小为dt
×
m。
[0063]
具体地，本发明实施例使用glove词向量模型在与目标关键词相关的 语料库进行预训练，如与餐饮相关的目标词可选用yelp数据库中餐厅以及 食物评价进行预训练；之后通过预训练的glove词向量模型生成与每个单 词相对应的具有矩阵形式的第二预训练词向量表其中d
t
表示 为目标关键词每个单词映射后向量的维度大小，n
t
表示为所有可能出现单 词的数量。
[0064]
步骤s13：利用预设编码器对语句映射矩阵及目标关键词映射矩阵分别 进行编码，得到语句映射编码矩阵及目标关键词编码矩阵。
[0065]
具体地，本发明实施例的预设编码器为双向gru网络编码器，但仅此 举例，不以此为限制。本发明实施例使用双向门限循环网络(bi-gru)对 映射层产生的语句映射矩阵、目标关键词映射矩阵进行学习，之后将 bi-gru网络的隐藏层状态进行输出，实现对映射矩阵的编码。
[0066]
具体地，如图5所示，步骤s13由步骤s41～步骤s42实施，如下：
[0067]
步骤s41：使用前向gru网络、反向gru网络分别对语句映射矩阵 进行学习，得到前向语句映射编码矩阵、后向语句映射编码矩阵；使用前 向gru网络、反向gru网络分别对目标关键词映射矩阵进行学习，得到 前向目标关键词编码矩阵、后向目标关键词编码矩阵。
[0068]
具体地，前向语句映射编码矩阵后向语句映射编码矩阵 的计算公式分别如式(3)、式(4)所示，前向目标关键词编码矩阵 后向目标关键词编码矩阵分别如式(5)、式(6)所示。
[0069][0070]
[0071][0072][0073]
步骤s42：将前向语句映射编码矩阵、后向语句映射编码矩阵进行元素 相加，得到语句映射编码矩阵；将前向目标关键词编码矩阵、后向目标关 键词编码矩阵进行元素相加，得到目标关键词编码矩阵。
[0074]
具体地，语句映射编码矩阵es与目标关键词编码矩阵e
t
计算公式分别 如式(7)、式(8)所示。
[0075][0076][0077]
步骤s14：基于语句映射编码矩阵及目标关键词编码矩阵，利用多层次 注意力机制进行多重加权运算，得到注意力向量。
[0078]
具体地，本发明实施例的多层次注意力机制包括：语句级注意力机制、 目标关键词级注意力机制、交互级注意力机制。
[0079]
具体地，如图6所示，步骤s14由步骤s51～步骤s53实施，如下：
[0080]
步骤s51：利用语句级注意力机制对语句映射编码矩阵添加权重；利用 目标关键词级注意力机制对目标关键词编码矩阵添加权重。
[0081]
具体地，利用语句级注意力机制对语句映射编码矩阵es生成如式(9)所 示的语句注意力评分向量f(es)，其中w
st
为语句注意力权重向量，w
st
的大 小为1
×dgru
；之后对f(es)进行softmax操作，如式(10)所示，生成语句注意 力权重βi(i＝1,2,
…
,n-m)。
[0082]
f(es)＝tanh(w
st
·
tanh(es)),f(es)∈r1×
(n-m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0083][0084]
将语句注意力权重βi与对应的语句映射编码矩阵es得到带权重值的语 句映射编码矩阵e
st
。
[0085][0086]
具体地，利用目标关键词级注意力机制对目标关键词映射编码矩阵e
t
生成如式(12)所示的目标关键词注意力评分向量f(e
t
)，其中w
αt
为目标关键 词注意力权重向量，w
αt
的大小为1
×dgru
；之后对f(e
t
)进行softmax操作， 如式(13)所示，生成目标关键词注意力权重αi(i＝1,2,
…
,m)。
[0087]
f(e
t
)＝tanh(w
αt
·
tanh(e
t
)),f(e
t
)∈r1×mꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0088][0089]
将目标关键词注意力权重αi与对应的目标关键词映射编码矩阵e
t
得到 带权重值的目标关键词映射编码矩阵e
αt
。
[0090][0091]
步骤s52：将带权重值的语句映射编码矩阵与带权重值的目标关键词编 码矩阵的转置矩阵的乘积，作为交互矩阵。
[0092]
具体地，交互矩阵i计算公式为：
[0093]
i＝(e
αt
)
t
·est
,i∈rm·
(n-m)
ꢀꢀꢀ
(15)
[0094]
步骤s53：利用交互级注意力机制对交互矩阵添加权重，得到注意力向 量。
[0095]
具体地，利用交互级注意力机制对交互矩阵i中的每一个向量 ii(i＝1,2,
…
,n-m)生成评分值，得到评分值向量f(i)，如式(16)所示，其中wh为交互级注意力权重向量，其大小为1
×
m；之后对评分值向量f(i)进行 softmax操作，生成交互矩阵i对应的交互级注意力权值γi(i＝1,2,
…
,n-m)，如 如式(17)所示。
[0096]
f(i)＝tanh(wh·
tanh(i)),f(i)∈r1×
(n-m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0097][0098]
根据交互级注意力权值γi对交互矩阵i中对应的向量ii进行加权求和， 得到最终注意力向量z，如式(18)所示。
[0099][0100]
步骤s15：根据注意力向量，利用softmax函数计算得到每一种情感极 性的判别概率。
[0101]
具体地，将注意力向量z输入到一个预测层的全连接层中，通过softmax 函数得到最终对于每一种情感极性的概率向量p，如式(19)所示，其中c表 示为情感极性的数量(如情感极性为消极、中立、积极时，情感极性的数 量为3)，w
pre
为最终预测层的权重矩阵，w
pre
的矩阵大小为c
×
m，b
pre
为 最终预测层的偏置项(bias)，b
pre
∈r^c。
[0102][0103]
实施例2
[0104]
本发明实施例提供一种评论语句特定目标关键词情感分析系统，如图7 所示，包括：
[0105]
输入层模块1，用于获取待进行目标关键词情感分析的语句与至少一个 目标关键词；此模式实则为本发明实施例的情感分析模型的输入层，此模 块执行实施例1中的步骤s11所描述的方法，在此不再赘述。
[0106]
向量映射层模块2，用于基于语句及目标关键词，得到语句映射矩阵及 目标关键词映射矩阵；此模式实则为本发明实施例的情感分析模型的向量 映射层，此模块执行实施例1中的步骤s12所描述的方法，在此不再赘述。
[0107]
编码层模块3，用于利用预设编码器对语句映射矩阵及目标关键词映射 矩阵分别进行编码，得到语句映射编码矩阵及目标关键词编码矩阵；此模 式实则为本发明实施例的情感分析模型的编码层，此模块执行实施例1中 的步骤s13所描述的方法，在此不再赘述。
[0108]
多层次注意力层模块4，用于基于语句映射编码矩阵及目标关键词编码 矩阵，利
用多层次注意力机制进行多重加权运算，得到注意力向量；此模 式实则为本发明实施例的情感分析模型的多层次注意力层，此模块执行实 施例1中的步骤s14所描述的方法，在此不再赘述。
[0109]
预测层模块5，用于根据注意力向量，利用softmax函数计算得到每一 种情感极性的判别概率；此模式实则为本发明实施例的情感分析模型的预 测层，此模块执行实施例1中的步骤s15所描述的方法，在此不再赘述。
[0110]
实施例3
[0111]
本发明实施例提供一种计算机设备，如图8所示，包括：至少一个处 理器401，例如cpu(central processing unit，中央处理器)，至少一个通 信接口403，存储器404，至少一个通信总线402。其中，通信总线402用 于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏 (display)、键盘(keyboard)，可选通信接口403还可以包括标准的有线 接口、无线接口。存储器404可以是高速ram存储器(ramdom accessmemory，易挥发性随机存取存储器)，也可以是非不稳定的存储器 (non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还 可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可 以执行实施例1的评论语句特定目标关键词情感分析方法。存储器404中 存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以 用于执行实施例1的评论语句特定目标关键词情感分析方法。
[0112]
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称pci)总线或扩展工业标准结构(extended industry standardarchitecture，简称eisa)总线等。通信总线402可以分为地址总线、数据 总线、控制总线等。为便于表示，图8中仅用一条线表示，但并不表示仅 有一根总线或一种类型的总线。
[0113]
其中，存储器404可以包括易失性存储器(英文：volatile memory)， 例如随机存取存储器(英文：random-access memory，缩写：ram)；存储 器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存 储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd) 或固降硬盘(英文：solid-state drive，缩写：ssd)；存储器404还可以包括 上述种类的存储器的组合。
[0114]
其中，处理器401可以是中央处理器(英文：central processing unit， 缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu 和np的组合。
[0115]
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是 专用集成电路(英文：application-specific integrated circuit，缩写：asic)， 可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。 上述pld可以是复杂可编程逻辑器件(英文：complex programmable logicdevice，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmablegate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写： gal)或其任意组合。
[0116]
可选地，存储器404还用于存储程序指令。处理器401可以调用程序 指令，实现如本技术执行实施例1中的评论语句特定目标关键词情感分析 方法。
[0117]
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质 上存储有计算机可执行指令，该计算机可执行指令可执行实施例1的评论 语句特定目标关键词情感分析方法。其中，存储介质可为磁碟、光盘、只 读存储记忆体(read-only memory，rom)、随
机存储记忆体(random accessmemory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive， 缩写：hdd)或固降硬盘(solid-state drive，ssd)等；存储介质还可以包 括上述种类的存储器的组合。
[0118]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方 式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予 以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保 护范围之中。