申请/专利权人：西安邮电大学

申请日：2021-10-20

公开（公告）日：2024-06-28

公开（公告）号：CN113868425B

主分类号：G06F16/35

分类号：G06F16/35;G06F40/242;G06F40/30;G06N3/0442;G06N3/042;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.01.21#实质审查的生效;2021.12.31#公开

摘要：本公开实施例是关于一种方面级情感分类方法。该方法包括：采用双向长短期记忆网络模型对待分析文本进行提取方面词和上下文的特征信息，分别得到方面词的隐层表示和上下文的上下文隐层表示；针对获得的隐层表示和上下文隐层表示，采用图卷积网络根据句法依存树对其进行提取与方面词有直接语法联系的上下文情感特征信息，获得融合语法依存信息的上下文信息特征表示；基于上下文信息特征表示，利用注意力机制学习方面词与所述上下文的交互信息，同时提取上下文中为方面词情感分类做出重要贡献的情感特征信息，并预测情感极性。相比传统的经典文本情感分析方法以及目前的主流方法而言，本公开实施例的方法具有更为理想的文本情感分析准确度。

主权项：1.一种方面级情感分析方法，其特征在于，该方法包括：采用双向长短期记忆网络模型对待分析文本进行提取方面词和上下文的特征信息，分别得到所述方面词的隐层表示和所述上下文的上下文隐层表示；所述采用双向长短期记忆网络模型对待分析文本进行提取方面词和上下文的特征信息，分别得到所述方面词的隐层表示和所述上下文的上下文隐层表示的步骤包括：采用预训练词典对所述方面词和所述上下文进行词嵌入处理，分别得到所述方面词的词嵌入向量和所述上下文的词嵌入向量；通过双向长短期记忆网络模型对所述词嵌入向量和文本嵌入向量进行转换处理，分别得到所述方面词的隐层表示和所述上下文的上下文隐层表示；针对获得的所述隐层表示和所述上下文隐层表示，采用图卷积网络根据句法依存树对其进行提取与所述方面词有直接语法联系的上下文情感特征信息，获得融合语法依存信息的上下文信息特征表示；所述针对获得的所述隐层表示和所述上下文隐层表示，采用图卷积网络根据句法依存树对其进行提取与方面词有直接语法联系的上下文情感特征信息，获得融合语法依存信息的上下文信息特征表示的步骤包括：根据上下文文本搭建句法依存树，并采用图结构保存所述句法依存树，构建邻接矩阵；将所述上下文隐层表示和所述邻接矩阵输入图卷积网络，利用所述图卷积网络对所述句法依存树中的节点进行图卷积，并通过所述邻接矩阵将句法依存信息融入到所述节点，获得融合语法依存信息的上下文信息特征表示；对所述方面词的所述隐层表示进行平均操作获得所述方面词的平均表征；基于所述上下文信息特征表示，利用注意力机制学习所述方面词与所述上下文的交互信息，同时提取所述上下文中为方面词情感分类做出重要贡献的情感特征信息，并预测情感极性；所述基于所述上下文信息特征表示，利用注意力机制学习所述方面词与所述上下文的交互信息，同时提取所述上下文中为方面词情感分类做出重要贡献的情感特征信息，并预测情感极性的步骤包括：将所述上下文信息特征表示和所述方面词的所述平均表征输入所述注意力机制，利用所述注意力机制去学习所述方面词和所述上下文间的交互信息，并对情感判别起作用的单词进行分配不同的权重。

全文数据：

权利要求：

百度查询： 西安邮电大学 一种方面级情感分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD