本發明涉及自然語言處理與人工智能，特別涉及一種基于多模態知識圖譜的評論文本分析方法。
背景技術：
1、隨著互聯網的普及，用戶生成的在線評論文本已成為評估商品、服務與目的地口碑的重要信息源。對該類文本開展自動化的語義理解分析（如情感分析、屬性評價、維度打分等），能夠為企業洞察用戶需求、提升服務質量提供數據支撐，也能為消費者決策提供參考，因此在線文本的細粒度語義理解成為自然語言處理領域的關鍵研究方向。
2、隨著應用場景的深化，僅對文本進行整體層面的粗粒度判斷（如整體正面/負面、合規/不合規），已無法滿足實際業務需求。業界迫切需要一種分析方法，能夠從文本中自動分離出對分析對象不同方面的具體評價信息，并融合圖片等附加多模態信息開展深度推理，同時輸出可信、可解釋的分析結論。
3、目前，主流的方面級語義理解方法主要基于深度學習模型，例如融合注意力機制的lstm、transformer等神經網絡架構。此類方法通過設計方面-特征對抽取機制，能夠在一定程度上識別文本中針對特定方面的語義傾向或屬性特征。然而，現有技術仍存在以下顯著缺陷：
4、1.?分析粒度與結構化程度不足：現有評論文本分析方法通常將整條評論作為單一輸入進行處理，輸出一個整體的情感傾向(正面/負面)，缺乏對分析維度的結構化組織。以餐飲評論分析為例，現有方法可識別出“口味很好，但價格偏貴”的語義傾向，卻無法將“口味”“價格”精準映射到“菜品質量”“性價比”等預定義的評價維度，導致分析結果難以直接支撐產品優化或服務改進的精準決策，其中，評價維度是指從不同角度對產品或服務進行評價的分類框架，例如對于手機產品，評價維度可以包括拍照、性能、外觀等；所述子要素是指每個評價維度下的具體子要素，例如拍照維度下的子要素可以包括夜景能力、人像效果等。
5、其次，多源信息融合能力不足加劇了上述問題?，F有技術大多僅依賴單一的文本模態，忽視了圖像、視頻等多模態數據中蘊含的豐富語義信息。在很多場景下，文本描述具有模糊性或歧義性，僅靠文字難以準確界定具體的分析要素，導致分析結果的準確性受限。
6、綜上，現有技術存在語義理解分析粒度粗糙，難以實現維度級精細分析的問題。
技術實現思路
1、為了解決現有技術的問題，本發明實施例提供了一種基于多模態知識圖譜的評論文本分析方法。所述技術方案如下：
2、s1、獲取目標領域的數據集，所述數據集包括多個評價對象的評論文本數據、與所述評論文本數據相關聯的圖片數據以及相應的時空信息；
3、s2、構建與所述目標領域對應的評價維度本體結構，所述評價維度本體結構包含針對評價對象的多個預定義評價維度，且每個評價維度進一步關聯至少一個預定義的子要素；
4、s3、基于所述數據集，構建與所述評價維度本體結構相關聯的多模態知識圖譜；
5、s4、獲取當前評論文本，對所述當前評論文本進行深度語義編碼，識別其語義所對應的至少一個評價維度，并生成文本語義特征；
6、s5、基于識別出的評價維度，確定所述評價維度對應的子要素，以子要素為核心檢索多模態知識圖譜中的關聯特征形成候選集，計算文本語義特征與候選集中各特征的語義相關性，基于語義相關性最終篩選出目標知識特征；
7、s6、基于所述文本語義特征，為所述目標知識特征動態分配融合權重，并進行加權融合，生成知識增強特征；
8、s7、基于所述知識增強特征，輸出針對所識別出的所述至少一個評價維度的細粒度語義分類結果；
9、其中，所述細粒度語義分類結果包括：語義分類結果和所述語義類別結果對應的判斷置信度；評價要素重要性得分以及支持所述語義分類結果判斷的關鍵依據指示。
10、可選地，所述構建與所述目標領域對應的評價維度本體結構包括：
11、收集目標領域的歷史數據集，對所述歷史數據集進行預處理，得到預處理后的數據集；
12、基于所述預處理后的數據集抽取評價要素；
13、將所述評價要素進行聚類分析得到多個維度；
14、基于所述多個維度，將每一個維度對應的評價詞進行分類得到子要素，所述評價詞與所述評價要素相關聯；
15、將所述多個維度與所述多個子要素關聯存儲，得到所述目標領域對應的評價維度本體結構，且所述所述多個維度與所述所述多個子要素一一對應。
16、可選地，所述基于所述數據集，構建與所述評價維度本體結構相關聯的多模態知識圖譜包括：
17、基于所述評價維度本體結構，對所述目標領域的數據集中的歷史文本數據進行結構化處理以構建靜態知識層；
18、基于所述評價維度本體結構，對所述目標領域的數據集中的實時文本數據進行抽取，形成動態知識層；
19、基于所述評價維度本體結構，對所述目標領域的數據集中的圖片數據提取視覺語義特征，將所述視覺語義特征與所述多模態知識圖譜中的對應實體進行跨模態關聯，形成視覺知識層；
20、所述靜態知識層、所述動態知識層和所述視覺知識層進行關聯映射，形成融合文本、圖像、時空信息的多模態知識圖譜。
21、可選地，所述基于所述文本語義特征，為所述目標知識特征動態分配融合權重，并進行加權融合，生成知識增強特征包括：
22、對當前評論文本進行實體識別，提取評論文本中的評價要素實體；
23、基于所述評價要素實體，從所述多模態知識圖譜的對應節點中抽取文本描述特征、視覺特征和歷史評價統計特征；
24、根據所述當前目標評論文本的上下文語義，動態計算所述文本描述特征的融合權重、所述視覺特征的融合權重和所述歷史評價統計特征的融合權重；
25、基于所述文本描述特征的融合權重、所述視覺特征的融合權重和所述歷史評價統計特征的融合權重生成所述知識增強特征。
26、可選地，所述基于所述文本語義特征，為所述目標知識特征動態分配融合權重，并進行加權融合，生成知識增強特征還包括：
27、所述當前評論文本關聯圖片，提取所述關聯圖片的視覺特征；
28、基于跨模態語義對齊，確定所述視覺特征與所述當前評論文本的語義特征之間的相關性；
29、基于所述相關性，為所述視覺特征分配融合權重；
30、依據所述融合權重，對所述視覺特征進行加權；
31、將加權后的視覺特征與所述文本描述特征和所述歷史評價統計特征進行融合，生成所述知識增強特征。
32、可選地，所述步驟s4至步驟s7通過自適應知識融合的神經網絡模型實現。
33、可選地，所述自適應知識融合的神經網絡模型為自適應知識融合的注意力gru模型。
34、可選地，所述自適應知識融合的注意力gru模型通過三階段策略訓練獲得，所述三階段策略訓練包括：
35、在通用情感語料上進行預訓練；
36、在目標領域評論文本上進行領域微調；
37、引入基于所述多模態知識圖譜生成的增強樣本進行知識優化訓練。
38、可選地，所述自適應知識融合的注意力gru模型包括依次連接的上下文感知的gru編碼層、動態知識選擇器、跨模態注意力機制層、解耦層、協同推理層和可解釋輸出層。
39、可選地，所述自適應知識融合的注意力gru模型包括：
40、所述上下文感知的gru編碼層：用于對所述當前評論文本進行深度語義編碼，獲取其上下文感知的文本語義特征；
41、所述動態知識選擇器：根據所述文本語義特征，從所述多模態知識圖譜中動態選擇相關聯的目標知識特征；
42、所述跨模態注意力機制層：通過跨模態注意力機制對所述文本語義特征與所述知識特征進行動態加權融合，生成知識增強特征；
43、所述解耦層：用于將所述知識增強特征依據預定義的評價維度，分離并解碼為維度級語義特征；
44、所述協同推理層：用于對所述維度級語義特征進行內部校準與聯合優化，生成維度級推理信號；
45、所述可解釋輸出層：基于所述維度級推理信號，輸出所述細粒度語義分類結果。
46、本發明實施例提供的技術方案帶來的有益效果是：本發明首先獲取包含評論文本及多模態數據的目標領域數據集，構建對應的評價維度本體結構，并基于該數據集構建與本體結構關聯的多模態知識圖譜，也即通過融合文本、圖像的多源數據構建領域知識圖譜，突破了傳統方法僅依賴單一文本的局限，為細粒度分析奠定了豐富的知識基礎。在分析階段，首先通過語義編碼自動識別評論焦點（維度），為知識檢索提供精確的“檢索詞”；其次，僅從海量多模態知識圖譜中提取與識別維度強相關的知識子集，有效過濾了無關噪聲；最后，基于文本語義特征為不同知識動態分配融合權重，從而實現精準維度識別→定向知識檢索→動態加權融合的三級聯創新機制，為評論文本的細粒度、可解釋分析奠定了完整技術基礎，最后，通過針對知識增強特征輸出針對至少一個評價維度的細粒度語義分類結果，且每個維度包含各維度語義傾向、判斷置信度、要素重要性及關鍵決策依據的結構化報告。這使分析結果變得可審計、可信任，用戶能清晰了解決策從何而來，有效解決了現有語義理解分析方法粒度粗糙，實現了精準、可信、可解釋的細粒度語義分析，顯著提升了在服務質量診斷、產品優化等場景中的實用價值。