申请/专利权人：重庆邮电大学

申请日：2022-04-07

公开（公告）日：2024-06-28

公开（公告）号：CN114781352B

主分类号：G06F40/205

分类号：G06F40/205;G06F40/253;G06F40/284;G06F16/35;G06N3/0442;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明公开了一种基于语法依赖类型和方面间关联的情感分析方法，包括S1获取需要分析的文本，并通过预训练模型将其转化为词向量表示；S2将特定方面与句子表示的每一个单词进行拼接，并引入语法依赖类型，赋予语法依赖树中重要的依赖类型更大的权重；S3将带有方面感知和语法依赖类型的句子表示作为模型的输入；S4引入方面间关联矩阵，并经由图卷积网络获取到含有方面间关联的句子表示；S5将含有方面间关联的句子表示和含有方面特征的句子表示融合起来；S6得到同时含有方面信息和方面间关联的句子表示后，结合查询向量来判断目标方面的情感极性。本发明提升了模型识别方面间信息以及语法依赖关系的能力。

主权项：1.一种基于语法依赖类型和方面间关联的情感分析方法，其特征在于，该方法具体包括以下步骤:S1获取需要分析的文本，并通过预训练模型将其转化为词向量表示；S2将特定方面与句子表示的每一个单词进行拼接，使得句子表示每次只关注特定方面的情感，并引入语法依赖类型，赋予语法依赖树中重要的依赖类型更大的权重，并经由图卷积网络获得包含更多语法信息的句子表示，接着采用注意力层，改善带有方面感知和语法依赖类型的句子表示；S3将带有方面感知和语法依赖类型的句子表示作为模型的输入，将目标方面作为查询向量，非目标方面通过Bi-GRU使得方面特征在句子表示中进一步传播，然后将所得到含有更多方面特征的句子表示与查询向量之间计算方面间注意力；S4引入方面间关联矩阵，并经由图卷积网络获取到含有方面间关联的句子表示；S5将含有方面间关联的句子表示和含有方面特征的句子表示融合起来，并用方面间关联系数控制引入方面间关联特征的多少；S6得到同时含有方面信息和方面间关联的句子表示后，用方面间注意力控制非目标方面对于目标方面的影响，得到最终的句子表示，结合查询向量来判断目标方面的情感极性；步骤S2赋予语法依赖树中重要的依赖类型更大的权重具体为：使用Bi-GRU获取含有方面信息的句子表示，然后引入语法依赖类型，并通过图卷积网络得到含有语法特征的句子表示，并采用注意力层以扩大对于特定方面情感判断有重要作用的单词的影响；含有方面信息的句子表示具体过程为：将方面词ai嵌入到句子的词向量表示中，得到带有方面词的词向量表示： 经过Bi-GRU，将其命名为GRU1得到的隐藏表示即聚焦语法依赖类型的图卷积网络具体构造流程分以下几个步骤：首先使用SpaCy获取语法依赖信息，用一个依赖元组列表wi,wj,cij来表示，cij表示单词wi与另一个单词wj的依赖类型；然后语法依赖信息采用邻接矩阵A来表示，其中的元素aij表示单词wi与另一个单词wj之间的关系，如果有边相连，则aij＝1；没有边相连，则aij＝0；将关系依赖类型矩阵中的元素cij映射成它们的词嵌入采用如下方法赋予每个边不同的权重，每条边的权重计算如下式： 其中，和分别表示单词wi与单词wj第l-1层的隐藏状态，最初的和来源于GRU1的输出；最终单词wi经过图卷积网络在第l层的输出如下： 其中，Wl和bl代表l层图卷积中可训练的参数，σ表示激活函数ReLU；经过TFGCN后得到的带有方面信息的句子表示用表示；在表示方面感知的句子表示时，引入注意力层来改善方面感知的句子表示具体操作如下公式所示： α＝softmaxz, 其中bs为一个标量；步骤S3计算方面间注意力具体为：将含有方面间关联和语法依赖类型的句子表示作为输入，将其通过Bi-GRU，使得方面信息进一步在句子表示中传播，得到含有更多方面特征的句子表示，并将目标方面作为查询向量，计算目标方面与非目标方面的方面间注意力；计算方面间注意力具体流程：首先将输入到另一个隐藏层大小为D0的门控循环单元GRU2中；其他方面经过GRU2得到的隐藏表示为对于目标方面表示使用一个全连接层将其转化为查询向量q；查询向量的获取如下式： 其中为得到查询向量与其他方面向量之间的相关性，采用如下方式计算： β＝softmaxza其中，βi表示目标方面与其他方面之间的注意力得分；步骤S4关联的句子表示具体为：先得到方面间的关联矩阵，然后与方面特征的句子表示一起作为图卷积网络的输入，经由图卷积网络得到方面间关联的句子表示；方面间关联的句子表示，具体计算过程为：首先构建了方面间的邻接矩阵，用于获取方面之间的上下文相关性，具体构造方法如下式所示： 其中，表示目标方面的词集，pt是目标方面的开始位置； 表示其他方面的词集；构造了无方向的邻接矩阵，即在获取方面间的邻接矩阵之后，将方面间邻接矩阵和经过GRU2得到的带有方面信息的隐藏表示作为图卷积网络的输入，以获取特定方面和其他方面的相互情感特征；该图卷积网络中第i个节点在第l层的隐藏表示的更新如下： 其中，ReLU表示激活函数，表示第i个节点在第l-1层的隐藏表示，Wl和bl代表l层图卷积中可训练的参数；最终经过图卷积网络得到的带有方面间关联信息的隐藏表示为：

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于语法依赖类型和方面间关联的情感分析方法

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