一种利用图卷积神经网络和中文句法的情感分类方法技术

本发明专利技术提出了一种利用图卷积神经网络和中文句法的情感分类方法，包括以下步骤：S1，获取社交网络文本，将获取的社交网络文本作为待处理文本，对待处理文本进行预处理；S2，学习句子及属性子句的上下文信息，得到相应的特征表示；S3，根据获取的给定文本的依存关系及语法信息，生成句子的语义树；S4，根据嵌入了特征向量的依赖树，利用图卷积网络生成给定文本的情感特征表示；S5，利用Softmax分类器构造每个情绪标记的条件概率分布，并输出文本的最终情感标签。本发明专利技术能够对获取的社交网络文本情感进行分类，为社交网络平台中的短文本提供更细致、更深入的情感分析。

【技术实现步骤摘要】
一种利用图卷积神经网络和中文句法的情感分类方法
本专利技术涉及一种社交网络
，特别是涉及一种利用图卷积神经网络和中文句法的情感分类方法。
技术介绍
近年来，情感分析(SentimentAnalysis，SA)一直是自然语言处理(NaturalLanguageProcessing，NLP)领域的一个热门话题，也是近年来的研究热点。情绪分析是一种自动分析文本和解释背后的情绪的过程。通过机器学习和文本分析算法可以按照语句情感将文本分类为肯定，否定和中性三类。随着移动互联网的普及，网络用户已经习惯于在网络上表达意见和建议，比如电商网站上对商品的评价、社交媒体中对品牌、产品、政策的评价等等。网络用户对现实世界的感知和感受，包括他们做出的任何选择，都会受到其他人对现实世界的看法和影响。所以，对网民感兴趣的事物所发表的观点和感受进行挖掘分析，并将其研究成果运用到舆情分析、市场研究、客户体验分析等领域，这就是情感分析的研究意义所在。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种利用图卷积神经网络和本文档来自技高网...

【技术保护点】
1.一种利用图卷积神经网络和中文句法的情感分类方法，其特征在于，包括以下步骤：/nS1，获取社交网络文本，对获取的社交网络文本进行预处理；/nS2，学习句子及属性子句的上下文信息，得到相应的特征表示；/nS3，根据获取的给定文本的依存关系及语法信息，生成句子的语义树；/nS4，根据嵌入了特征向量的依赖树，利用图卷积网络生成给定文本的情感特征表示；/nS5，利用Softmax分类器构造每个情绪标记的条件概率分布，并输出文本的最终情感标签；/nS6，将步骤S5中的结果传输至手持移动终端。/n

【技术特征摘要】
1.一种利用图卷积神经网络和中文句法的情感分类方法，其特征在于，包括以下步骤：
S1，获取社交网络文本，对获取的社交网络文本进行预处理；
S2，学习句子及属性子句的上下文信息，得到相应的特征表示；
S3，根据获取的给定文本的依存关系及语法信息，生成句子的语义树；
S4，根据嵌入了特征向量的依赖树，利用图卷积网络生成给定文本的情感特征表示；
S5，利用Softmax分类器构造每个情绪标记的条件概率分布，并输出文本的最终情感标签；
S6，将步骤S5中的结果传输至手持移动终端。


2.根据权利要求1所述的利用图卷积神经网络和中文句法的情感分类方法，其特征在于，在步骤S1中，对待处理文本进行预处理包括以下之一或者任意组合步骤：
S11，将情绪子句的变化维数重塑成统一大小的特征向量；
S12，将中文文本分割成单词；
S13，每个单词或词组映射为实数域上的向量。


3.根据权利要求1所述的利用图卷积神经网络和中文句法的情感分类方法，其特征在于，在步骤S2中包括：
首先用当前时间步的输入xt和上一时间步的隐藏状态输出计算得到原始前反馈输出



其中，Wzx表示当前时间步输入的激活权重；
xt表示当前时间步的输入；
Wzh表示上一时间步的隐藏状态输出的激活权重；

表示上一时间步的隐藏状态输出；
bz表示第一偏置项；

表示原始前反馈输出；
然后把这个输出结果一分为二，即和分别激活：



其中，σ()表示激活函数sigmoid；

表示输入到重置门的原始前馈输出；
rt表示当前时间步的重置门输出；



其中，σ()表示激活函数sigmoid；

表示输入到更新门的原始前馈输出；
zt表示当前时间步的更新门输出；
再使用当前时间步的重置门输出rt和当前时间步的输入xt一起计算另一个中间前馈输出：



其中，Wax表示当前时间步输入的激活权重；
xt表示当前时间步的输入；
War表示当前时间步重置门输出的激活权重；

表示上一时间步的隐藏状态输出；

表示按矩阵元素进行点乘；
rt表示当前时间步的重置门输出；
ba表示第二偏置项；
at表示中间前馈输出；
对中间前馈输出at做双曲正切激活：



其中，tanh()表示双曲正切函数；
at表示中间前馈输出；

表示通过重置门后的状态；
以更新门的输出作为开关，得到当前时间步的隐状态输出：



其中，表示上一时间步的隐藏状态输出；

表示按矩阵元素进行点乘；
zt表示当前时间步的更新门输出；

表示通过重置门后的状态；

表示当前时间步的隐状态。


4.根据权利要求1所述的利用图卷积神经网络和中文句法的情感分类方法，其特征在于，在步骤S3中使用依存关系箭头表示句子的语法关系。


5.根据权利要求1所述的利用图卷积神经网络和中文句法的情感分类方法，其特征在于，在步骤S4中包括：
H(0)＝X，
其中，X表示图卷积模型的输入矩阵；
H(0)表示图卷积模型第0层的隐藏状态；



其中，RELU()表示激活函数；

表示依赖树的度矩阵；
A表示从语法层得到的句法依赖树的邻接矩阵；
H(l)表示表示图卷积模型第l层的隐...

【专利技术属性】
技术研发人员：刘小洋，张梦瑶，唐婷，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆;50