【技术实现步骤摘要】
一种基于分段卷积神经网络的对象级情感分类方法
本申请涉及情感分类
，尤其涉及一种基于分段卷积神经网络的对象级情感分类方法。
技术介绍
情感分类旨在挖掘出人们在文本中所表达观点情感倾向的类别，其主要集中在对篇章级别、句子级别和对象级别的情感分类任务的研究上，其中，对象级情感分类是一种相对比较细粒度的分类问题，其旨在判断出句子中对某个特定对象的情感类别，例如，“这台笔记本电脑的功能很强大，但价格太高了！”该任务需要针对对象“功能”判断出正向的情感类别，以及针对对象“价格”判断出负向的情感类别。现有技术中通过卷积神经网络进行情感分类，没有考虑到由对象所划分出的上下文对分类效果的影响，在卷积神经网络的池化层通常采用最大池化操作提取句子级特征，无法得到更细粒度的上下文特征，使得情感分类结果准确性不高。
技术实现思路
本申请提供了一种基于分段卷积神经网络的对象级情感分类方法，用于解决现有的情感分类方法没有考虑到由对象所划分出的上下文对分类效果的影响，在卷积神经网络的池化层通常采用的是最大池化操作...
【技术保护点】
1.一种基于分段卷积神经网络的对象级情感分类方法，其特征在于，包括：/n对获取的待分类文本进行特征提取，基于第一目标对象在所述待分类文本的句子中的位置对提取的特征进行上下文特征划分，得到第一上文特征和第一下文特征；/n将所述第一上文特征和所述第一下文特征输入到预置分段卷积神经网络，使得所述预置分段卷积神经网络中的卷积层对所述第一上文特征和所述第一下文特征分别进行卷积运算得到上文局部特征和下文局部特征，分段池化层对所述上文局部特征和所述下文局部特征分别进行最大池化操作得到上文池化特征和下文池化特征，注意力模块通过计算得到每个词的注意力得分得到注意力特征表示，特征融合层对所述上...
【技术特征摘要】
1.一种基于分段卷积神经网络的对象级情感分类方法，其特征在于，包括：
对获取的待分类文本进行特征提取，基于第一目标对象在所述待分类文本的句子中的位置对提取的特征进行上下文特征划分，得到第一上文特征和第一下文特征；
将所述第一上文特征和所述第一下文特征输入到预置分段卷积神经网络，使得所述预置分段卷积神经网络中的卷积层对所述第一上文特征和所述第一下文特征分别进行卷积运算得到上文局部特征和下文局部特征，分段池化层对所述上文局部特征和所述下文局部特征分别进行最大池化操作得到上文池化特征和下文池化特征，注意力模块通过计算得到每个词的注意力得分得到注意力特征表示，特征融合层对所述上文池化特征、所述下文池化特征和所述注意力特征表示进行特征融合得到融合特征，softmax层对融合特征进行处理，输出所述待分类文本中所述第一目标对象的情感分类结果，其中，所述注意力特征表示包括上文注意力特征表示和下文注意力特征表示。
2.根据权利要求1所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，所述对获取的待分类文本进行特征提取，包括：
对获取的待分类文本进行词嵌入特征提取。
3.根据权利要求2所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，所述对获取的待分类文本进行特征提取，还包括：
对获取的待分类文本进行辅助特征提取，所述辅助特征包括情感得分特征、词性特征或位置特征。
4.根据权利要求3所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，对获取的待分类文本进行位置特征提取，包括：
基于位置重排算法对获取的待分类文本中各个词的位置进行重新排序；
对排序后的所述待分类文本进行位置特征提取。
5.根据权利要求4所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，所述基于位置重排算法对获取的待分类文本中各个词的位置进行重新排序，包括：
提取获取的待分类文本中各个词与所述第一目标对象的相对位置值，得到第一位置特征向量；
基于第一位置特征向量和情感得分特征向量计算各个词的位置得分，得到位置得分向量，其中，所述情感得分特征向量基于情感词典计算所述待分类文本中的各个词的情感得分特征值得到；
基于所述位置得分向量和所述第一位置特征向量计算排序后各个词与所述第一目标对象的相对位置值，得到第二位置特征向量。
6.根据权利要求5所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，所述位置得分的计算公式为：
其中，scorei为第i个词的位置得分，li、lj分别为第i、j个词与第一目标对象的相对位置值，si、sj分别为第i、j个词的情感...
【专利技术属性】
技术研发人员：曾碧卿，杨恒，裴枫华，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。