基于依赖感知图卷积网络的方面级情感分类方法及系统技术方案

本公开提供了一种基于依赖感知图卷积网络的方面级情感分类方法及系统包括：获取文本信息：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习；本公开对词与词之间边的处理根据不同的依赖信息给予不同的关注，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。性判断的准确性和稳定性。性判断的准确性和稳定性。

【技术实现步骤摘要】
基于依赖感知图卷积网络的方面级情感分类方法及系统


[0001]本公开属于情感分类
，尤其涉及一种基于依赖感知图卷积网络的方面级情感分类方法及系统。

技术介绍

[0002]随着社交媒体的迅猛发展，互联网中涌现大规模带有用户主观情感的、内容短小且语义信息丰富的短文本，这些海量数据是用户意识和观点的综合呈现和重要体现，影响着网民对事物的看法态度和判断决策。具体地，网民在购物平台上选择商品时往往会先参考商品已购买者提供的评论，然后做出是否购买该商品的决定。如何准确高效地利用计算机技术从海量短文本中自动分析情感信息，这对于产品分析、话题监控、舆情监测、用户建模和观点分析等有着重要意义。情感分类是情感分析技术的核心，其任务是判断文本的情感取向。
[0003]方面级情感分类(Aspect
‑
level Sentiment Classification，简称ASC)属于文本情感分类，ASC不同于句子级或文档级的情感分类，其旨在句子级上进行更细粒度的任务分析，为特定的方面确定其情感极性(积极、中性和消极)。例如，在餐厅的一个评论句子中“价格是可以接受的，尽管它的服务不好”，“价格”和“服务”是两个方面，它们的情感极性分别是积极和消极。也就是说，在方面级情感分类的任务中，需要根据上下文信息区分特定方面的情感极性；目前许多方法使用图卷积网络(Graph Convolution Networks，GCN)来捕捉依赖关系和不连续的上下文词来判别特定方面的情感极性。
[0004]本公开专利技术人发现，使用GCN来捕捉依赖关系和不连续的上下文词来判别特定方面的情感极性方法中，对GCN模型的使用仅仅是GCN将语法相关的上下文词联系到目标方面，缺乏依赖类型所包含的信息，平等地对待图中的所有词关系，不足以处理不重要的关系，对ASC的判别会有限制。

技术实现思路

[0005]本公开为了解决上述问题，提出了一种基于依赖感知图卷积网络的方面级情感分类方法及系统，本公开根据在依存树上依赖关系相应的依赖类型来标记边构建图，增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。
[0006]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0007]第一方面，本公开提供了一种基于依赖感知图卷积网络的方面级情感分类方法，包括：
[0008]获取文本信息：
[0009]依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；
[0010]其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意
力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
[0011]进一步的，所述方面级情感分类模型的训练过程为：
[0012]获取待分析的文本，将待分析的文本进行词嵌入训练处理，将文本转化为词嵌入向量；
[0013]将所述词嵌入向量转化为上下文表示；
[0014]将所述上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用；
[0015]将经过多头注意力层处理后的上下文表示输入依赖感知的图卷积网络进行学习。
[0016]进一步的，依赖感知的图卷积网络的学习包括：将经过多头注意力层处理后的上下文隐藏状态向量输入图神经网络，用图神经网络来捕捉方面词节点以及其相邻的节点之间的语法关系，节点的特征通过图神经网络层传递，每个节点的表示由依存树的语法信息丰富；在图神经网络中增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
[0017]进一步的，情感分类结果的预测包括：
[0018]将依赖感知的图卷积网络得到的输出馈入多个融合结构化注意力的条件随机场，捕捉意见特征，得到新的上下文表示，连接所有条件随机场的句子得到输出表示；
[0019]将输出表示传送给情感分类器，得到最终的情感极性预测结果。
[0020]进一步的，输出表示传送给情感分类器后，其首先被嵌入完全连接层，然后是归一化层，获得情感极性的分布，得到最终的情感极性预测结果。
[0021]进一步的，加入潜在标签，表示上下文词是否影响特定方面的情感极性，把标签上的边际概率设置为当前上下文词对方面词情感极性的影响；利用前向
‑
后向算法计算潜在标签的边缘分布，得到句子表示。
[0022]进一步的，将所述词嵌入向量转化为上下文表示时，使用双向长短期记忆网络隐藏状态向量得到词嵌入的上下文表示。
[0023]第二方面，本公开还提供了一种基于依赖感知图卷积网络的方面级情感分类系统，包括采集模块和分类模块；
[0024]所述采集模块，被配置为：获取文本信息：
[0025]所述分类模块，被配置为：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；
[0026]其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
[0027]第三方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
[0028]第四方面，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上
并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
[0029]与现有技术相比，本公开的有益效果为：
[0030]1.本公开解决了传统的GCN模型由于省略了依存类型中的信息，并平等地对待图中的所有词关系，从而不能区分不重要的关系并相应地误导ASC的问题；
[0031]2本公开根据在依存树上依赖关系相应的依赖类型来标记边构建图，增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。
附图说明
[0032]构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
[0033]图1为本公开实施例1的流程图；
[0034]图2为本公开实施例1的网络模型图。
具体实施方式：
[0035]下面结合附图与实施例对本公开作进一步说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，包括：获取文本信息：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。2.如权利要求1所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，所述方面级情感分类模型的训练过程为：获取待分析的文本，将待分析的文本进行词嵌入训练处理，将文本转化为词嵌入向量；将所述词嵌入向量转化为上下文表示；将所述上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用；将经过多头注意力层处理后的上下文表示输入依赖感知的图卷积网络进行学习。3.如权利要求2所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，依赖感知的图卷积网络的学习包括：将经过多头注意力层处理后的上下文隐藏状态向量输入图神经网络，用图神经网络来捕捉方面词节点以及其相邻的节点之间的语法关系，节点的特征通过图神经网络层传递，每个节点的表示由依存树的语法信息丰富；在图神经网络中增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。4.如权利要求2所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，情感分类结果的预测包括：将依赖感知的图卷积网络得到的输出馈入多个融合结构化注意力的条件随机场，捕捉意见特征，得到新的上下文表示，连接所有条件随机场的句子得到输出表示；将输出表示传送给情感分类器，得到最终的情感极性预测结果。5.如权利要求4所述的一种基于依赖感知...

【专利技术属性】
技术研发人员：鲁燃，王雪，刘培玉，朱振方，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：