一种基于依存句法树和深度学习的方面级情感分析方法技术

本发明专利技术提供了一种基于依存句法树和深度学习的方面级情感分析方法。该方法包括：对待分析的文本进行分词和嵌入训练处理，得到文本中的每个单词的词向量表达，输入到双向长短时神经网络中得到每个单词和文本的整合信息；利用文本中的所有单词构造依存句法树，利用依存句法树构造GCN图，将文本的整合信息与GCN图进行迭代处理，得到文本中的评价对象的依存句法树表示；对文本的整合信息和评价对象的依存句法树表示进行结合，对结合的结果使用CNN进行分析处理，得到文本对评价对象的情感预测结果。本发明专利技术的方法有效的利用了文本的语义信息，同时强调了评价对象在方面级情感分析的重要性，提高了对于已知评价对象的方面级情感分析任务的准确率。

【技术实现步骤摘要】
一种基于依存句法树和深度学习的方面级情感分析方法
本专利技术涉及自然语言
，尤其涉及一种基于依存句法树和深度学习的方面级情感分析方法。
技术介绍
LSTM(Longshort-termmemory，长短期记忆)是一种特殊的循环神经网络，主要是为了解决普通的递归神经网络在长序列训练过程中出现的梯度消失问题。LSTM只能依据之前时刻的时序信息来预测下一时刻的输出，但是对于有些问题，当前时刻的输出不仅和之前的状态有关，还可能和未来的状态有关，所以出现了双向长短期记忆网络，即Bi-LSTM。Bi-LSTM保存的是两个LSTM的输出值，一个是正向的LSTM的隐藏层输出，一个是反向的LSTM的隐藏层的输出，通过跟踪单词链上的词序关系，在词嵌入中集成上下文信息。依存句法树是依存句法分析的产物，是句法分析的一部分。依存句法分析主要任务是将句子分析成一棵可以描述各个词语之间依存关系的依存句法树，词语之间的关系是和语义相结合的。所以通过使用依存句法树，为整个模型添加了词语之间的语义关系。GCN(GraphConvolutionalNetwor本文档来自技高网...

【技术保护点】
1.一种基于依存句法树和深度学习的方面级情感分析方法，其特征在于，包括：/n对待分析的文本进行分词和嵌入训练处理，得到文本中的每个单词的词向量表达，对每个单词的词向量进行合并表示后，输入到双向长短时神经网络中得到每个单词和文本的整合信息；/n利用所述待分析的文本中的所有单词构造依存句法树，利用所述依存句法树构造GCN图，将所述文本的整合信息与GCN图进行多次迭代处理，得到文本中的评价对象的依存句法树表示；/n对所述文本的整合信息和所述评价对象的依存句法树表示进行结合，对结合的结果使用CNN进行分析处理，得到文本对评价对象的情感预测结果。/n

【技术特征摘要】
1.一种基于依存句法树和深度学习的方面级情感分析方法，其特征在于，包括：
对待分析的文本进行分词和嵌入训练处理，得到文本中的每个单词的词向量表达，对每个单词的词向量进行合并表示后，输入到双向长短时神经网络中得到每个单词和文本的整合信息；
利用所述待分析的文本中的所有单词构造依存句法树，利用所述依存句法树构造GCN图，将所述文本的整合信息与GCN图进行多次迭代处理，得到文本中的评价对象的依存句法树表示；
对所述文本的整合信息和所述评价对象的依存句法树表示进行结合，对结合的结果使用CNN进行分析处理，得到文本对评价对象的情感预测结果。


2.根据权利要求1所述的方法，其特征在于，所述的对待分析的文本进行分词和嵌入训练处理，得到文本中的每个单词的词向量表达，对每个单词的词向量进行合并表示后，输入到双向长短时神经网络中得到每个单词和文本的整合信息，包括：
对于数据集中的待分析的文本，该文本中包括一个或者多个评价对象，每个评价对象由一个或者多个单词组成，对文本中的评价对象的位置进行标记，采用StanfordNLP工具对待分析的文本进行分词，并且对每个单词进行词性以及语法依存关系标注，采用gensim对单词在文本中的显示位置、词性以及语法依存关系进行词嵌入训练，根据嵌入训练结果采用Glove预训练词向量来表示每个单词；
将文本中的每个单词的词向量表达进行合并表示后，输入到双向长短时神经网络中，双向长短时神经网络输出每个单词的整合信息，基于每个单词的整合信息，得到每个评价对象和整个文本的整合信息。


3.根据权利要求1所述的方法，其特征在于，所述的利用所述待分析的文本中的所有单词构造依存句法树，利用所述依存句法树构造GCN图，包括：
利用所述待分析的文本中的所有单词构造依存句法树，在每个单词的整合信息的基础上添加单词的依存...

【专利技术属性】
技术研发人员：李浥东，王伟，郭鹏飞，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11