对语句情感分析的方法、装置、服务器及存储介质制造方法及图纸

本申请提供了一种对语句情感分析的方法、装置、服务器及存储介质，属于自然语言处理技术领域。方法包括：确定待分析的语句中包括的多个词汇对应的第一词向量；基于图卷积网络对多个词汇对应的第一词向量、多个词汇之间的依赖关系以及各依赖关系所属的类型进行处理，得到多个词汇对应的第二词向量；基于多个词汇对应的第二词向量，确定多个词汇中至少一个第一目标词汇所属的情感类型。由于基于图卷积网络确定多个词汇对应的第二词向量时，还考虑了多个词汇之间的依赖关系和各依赖关系所属的类型，使得即使待分析的语句较长，也可以通过各词汇之间的依赖关系加强词汇之间的联系，从而提高对各实体词汇所属的情感类型的分析结果的精度。

Methods, devices, servers and storage media of sentence sentiment analysis

【技术实现步骤摘要】
对语句情感分析的方法、装置、服务器及存储介质
本申请涉及自然语言处理
，特别涉及一种对语句情感分析的方法、装置、服务器及存储介质。
技术介绍
情感分析是自然语言处理中常见的场景，可以用于指导产品的迭代更新或者提高服务的水平等。例如对于日常生活中的用餐评价，通过对评价内容进行实体识别并分析实体对应的情感类型，可以得到用户对菜品口味、上菜时间、服务态度以及用餐环境等多个维度的情感信息，基于上述情感信息可以确定现阶段在各方面(aspect-level)的优劣程度，从而明确如何进行改进。相关技术中，存在基于深度学习的情感分析方法。具体的实现步骤如下：首先对待分析的语句包括的各词汇进行词向量编码，再基于卷积神经网络进行特征提取，最后输出词各词汇属于实体词汇的概率，从而得到各实体词汇所属情感类别的概率。上述相关技术中存在的问题是，在待分析的语句较长时，会导致语句中具有关联关系的词汇之间的间距较大，从而影响分析结果的精度。
技术实现思路
本申请实施例提供了一种对语句情感分析的方法、装置、服务器及存储介质，用于解决在待分析的语句较长时，会导致语句中具有关联关系的词汇之间的间距较大，从而影响分析结果的精度的问题。所述技术方案如下：一方面，提供了对语句情感分析的方法，包括：确定待分析的语句中包括的多个词汇对应的第一词向量；基于图卷积网络对所述多个词汇对应的第一词向量、所述多个词汇之间的依赖关系以及各依赖关系所属的类型进行处理，得到所述多个词汇对应的第二词向量；r>基于所述多个词汇对应的第二词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型。另一方面，提供了一种对语句情感分析的装置，包括：确定模块，用于确定待分析的语句中包括的多个词汇对应的第一词向量；处理模块，用于基于图卷积网络对所述多个词汇对应的第一词向量、所述多个词汇之间的依赖关系以及各依赖关系所属的类型进行处理，得到所述多个词汇对应的第二词向量；所述确定模块，还用于基于所述多个词汇对应的第二词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型。在一种可能的实现方式中，所述确定模块，还用于对待分析的语句进行分词，得到多个词汇；对于任一词汇，将所述词汇的第一含义对应的词向量和所述词汇的第二含义对应的词向量进行拼接，得到所述词汇对应的第一词向量。在另一种可能的实现方式中，其特征在于，所述处理模块，还用于获取所述多个词汇之间的依赖关系；根据所述依赖关系，确定关系矩阵，所述关系矩阵中的元素用于表示各词汇之间是否存在依赖关系；对于任一依赖关系，根据所述依赖关系所属的类型，获取所述依赖关系对应的关系向量；基于所述图卷积网络对所述关系矩阵和多个关系向量进行处理，得到所述多个词汇对应的第二词向量。在另一种可能的实现方式中，所述处理模块，还用于对于所述多个词汇中的任一词汇，获取与所述词汇具有依赖关系的至少一个词汇对应的第一词向量；将所述关系矩阵、所述多个关系向量以及所述至少一个词汇对应的第一词向量输入所述图卷积网络，得到所述词汇对应的第二词向量。在另一种可能的实现方式中，所述确定模块，还用于基于第一卷积神经网络对所述多个词汇对应的第一词向量进行处理，得到所述多个词汇对应的第三词向量，所述第三词向量与所述第二词向量一一对应；将相对应的第二词向量和第三词向量进行拼接，得到所述多个词汇对应的第四词向量；基于所述多个词汇对应的第四词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型。在另一种可能的实现方式中，所述确定模块，还用于根据所述多个词汇对应的第二词向量，确定所述多个词汇对应的第一信息向量和所述多个词汇对应的第二信息向量，所述第一信息向量用于指示所述多个词汇中的任一词汇是否为第一目标词汇，所述第二信息向量用于指示所述多个词汇中每个词汇所属的情感类型；对于每个词汇，当根据所述词汇对应的第一信息向量，确定所述词汇属于第一目标词汇的概率大于目标概率阈值时，根据所述词汇对应的第二信息向量，确定所述词汇属于每个情感类型的概率。在另一种可能的实现方式中，所述确定模块，还用于基于第二卷积神经网络对所述多个词汇对应的第二词向量进行重新编码，得到所述多个词汇对应的第一信息向量；基于第三卷积神经网络对所述多个词汇对应的第二词向量进行重新编码，得到所述多个词汇对应的第二信息向量；将所述第一信息向量和所述第二信息向量进行拼接，得到第三信息向量；基于所述第二卷积神经网络和所述第三卷积神经网络分别对所述第三信息向量进行重新编码，得到更新后的第一信息向量和第二信息向量。在另一种可能的实现方式中，所述装置还包括：拼接模块，用于将更新后的第一信息向量和更新后的第二信息向量进行拼接得到更新后的第三信息向量；编码模块，用于基于所述第二卷积神经网络和所述第三卷积神经网络再次分别对更新后的第三信息向量进行重新编码；更新模块，用于重复上述拼接和重新编码的过程，直到达到停止更新条件。在另一种可能的实现方式中，所述确定模块，还用于获取所述第二卷积神经网络根据所述多个词汇对应的第二词向量得到的交互传递信息，所述交互传递信息用于指示所述多个词汇中属于第二目标词汇的词汇；基于所述第三卷积神经网络和所述交互传递信息对所述第三信息向量进行重新编码，得到更新后的第二信息向量；基于所述第二卷积神经网络对所述第三信息向量进行重新编码，得到更新后的第一信息向量。另一方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器用于存储至少一段程序代码，所述至少一段程序代码由所述处理器加载并执行以实现本申请实施例中的对语句情感分析的方法中所执行的操作。另一方面，提供了一种存储介质，所述存储介质中存储有至少一段程序代码，所述至少一段程序代码用于被处理器执行并实现本申请实施例中的对语句情感分析的方法。本申请实施例提供的技术方案带来的有益效果是：在本申请实施例中，由于基于图卷积网络对多个词汇对应的第一词向量确定多个词汇对应的第二词向量时，还考虑了多个词汇之间的依赖关系和各依赖关系所属的类型，使得即使待分析的语句较长，也可以通过各词汇之间的依赖关系加强词汇之间的联系，从而提高对各实体词汇所属的情感类型的分析结果的精度。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。图1是本申请实施例提供的一种语句情感分析系统的结构框图；图2是本申请实施例提供的一种对语句情感分析的方法的流程图；图3是本申请实施例示出的一种词汇依赖关系的示意图；图4是本申请实施例提供的一种对语句情感分析的方法的架构示意图；图5是本申请实施例提供的一种对语句情感分析的装置的框图；图6是本申请实施例提供的一种服务器的结构示意图。...

【技术保护点】
1.一种对语句情感分析的方法，其特征在于，所述方法包括：/n确定待分析的语句中包括的多个词汇对应的第一词向量；/n基于图卷积网络对所述多个词汇对应的第一词向量、所述多个词汇之间的依赖关系以及各依赖关系所属的类型进行处理，得到所述多个词汇对应的第二词向量；/n基于所述多个词汇对应的第二词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型。/n

【技术特征摘要】
1.一种对语句情感分析的方法，其特征在于，所述方法包括：
确定待分析的语句中包括的多个词汇对应的第一词向量；
基于图卷积网络对所述多个词汇对应的第一词向量、所述多个词汇之间的依赖关系以及各依赖关系所属的类型进行处理，得到所述多个词汇对应的第二词向量；
基于所述多个词汇对应的第二词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型。


2.根据权利要求1所述的方法，其特征在于，所述确定待分析的语句中包括的多个词汇对应的第一词向量，包括：
对待分析的语句进行分词，得到多个词汇；
对于任一词汇，将所述词汇的第一含义对应的词向量和所述词汇的第二含义对应的词向量进行拼接，得到所述词汇对应的第一词向量。


3.根据权利要求1所述的方法，其特征在于，所述基于图卷积网络对所述多个词汇对应的第一词向量、所述多个词汇之间的依赖关系以及各依赖关系所属的类型进行处理，得到所述多个词汇对应的第二词向量，包括：
获取所述多个词汇之间的依赖关系；
根据所述依赖关系，确定关系矩阵，所述关系矩阵中的元素用于表示各词汇之间是否存在依赖关系；
对于任一依赖关系，根据所述依赖关系所属的类型，获取所述依赖关系对应的关系向量；
基于所述图卷积网络对所述关系矩阵和多个关系向量进行处理，得到所述多个词汇对应的第二词向量。


4.根据权利要求3所述的方法，其特征在于，所述基于所述图卷积网络对所述关系矩阵和多个关系向量进行处理，得到所述多个词汇对应的第二词向量，包括：
对于所述多个词汇中的任一词汇，获取与所述词汇具有依赖关系的至少一个词汇对应的第一词向量；
将所述关系矩阵、所述多个关系向量以及所述至少一个词汇对应的第一词向量输入所述图卷积网络，得到所述词汇对应的第二词向量。


5.根据权利要求1所述的方法，其特征在于，所述基于所述多个词汇对应的第二词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型，包括：
基于第一卷积神经网络对所述多个词汇对应的第一词向量进行处理，得到所述多个词汇对应的第三词向量，所述第三词向量与所述第二词向量一一对应；
将相对应的第二词向量和第三词向量进行拼接，得到所述多个词汇对应的第四词向量；
基于所述多个词汇对应的第四词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型。


6.根据权利要求1所述的方法，其特征在于，所述基于所述多个词汇对应的第二词向量，确定所述多个词汇中至少一个第一目标词汇所属的情感类型，包括：
根据所述多个词汇对应的第二词向量，确定所述多个词汇对应的第一信息向量和所述多个词汇对应的第二信息向量，所述第一信息向量用于指示所述多个词汇中的任一词汇是否为第一目标词汇，所述第二信息向量用于指示所述多个词汇中每个词汇所属的情感类型；
对于每个词汇，当根据所...

【专利技术属性】
技术研发人员：孟凡东，梁云龙，张金超，周杰，陈玉枫，徐金安，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44