特定目标的情感极性分类方法技术

本发明专利技术提供一种特定目标的情感极性分类方法，包括：获取上下文对应的隐藏状态向量，对其进行多头自注意力编码，得到上下文语义信息编码；基于结合门控机制的图卷积神经网络，提取上下文对应的句法向量；通过特定目标对应的权重向量，得到与特定目标相关的上下文句法信息编码；将拼接后的上下文语义信息编码和上下文句法信息编码进行多头自注意力编码得到上下文语义句法信息编码；将上下文语义信息编码和上下文语义句法信息编码取平均池化后再拼接，得到特定目标的特征表示；将特定目标的特征表示输入预设情感极性分类函数，得到特定目标的情感极性分类概率。相对于现有技术，本发明专利技术能够有效过滤无效的句法信息，提高特定目标的情感分类的准确性。

【技术实现步骤摘要】
特定目标的情感极性分类方法
本专利技术涉及自然语言处理
，特别是涉及一种特定目标的情感极性分类方法。
技术介绍
情感分析是自然语言处理(NaturalLanguageProcessing，NLP)中的重要任务，其目的在于对带有情感色彩的主观性文本进行分析。其中，特定目标的情感分析属于细粒度情感分析，与传统的情感分析不同，其目的主要在于识别句子中特定目标的情感极性。目前，有众多神经网络与注意力机制相结合的方法用以解决特定目标的情感分析问题，这些方法虽然能够克服浅层学习模型的缺陷，区分了不同词对于特定目标情感分析任务的重要性，但是依旧存在如下问题：一方面，不能充分捕捉上下文的语义信息，关注长距离信息依赖和信息并行计算的问题；另一方面，忽视了句法信息对情感极性分类造成的影响，降低了分类的准确性。
技术实现思路
为克服相关技术中存在的问题，本专利技术实施例提供了一种特定目标的情感极性分类方法，包括如下步骤：获取上下文对应的词向量；其中，所述上下文包括至少一个特定目标，所述特定目标包括至少一个单词；<br>将所述上下文对本文档来自技高网...

【技术保护点】
1.一种特定目标的情感极性分类方法，其特征在于，包括步骤：/n获取上下文对应的词向量；其中，所述上下文包括至少一个特定目标，所述特定目标包括至少一个单词；/n将所述上下文对应的词向量输入预设隐藏信息提取网络模型，提取所述上下文对应的隐藏状态向量；/n对所述上下文对应的隐藏状态向量进行多头自注意力编码，得到上下文语义信息编码；/n基于结合门控机制的预设图卷积神经网络，提取所述上下文对应的句法向量；/n通过所述特定目标对应的权重向量，对所述句法向量进行筛选，得到与所述特定目标相关的上下文句法信息编码；/n对所述上下文语义信息编码和上下文句法信息编码进行拼接，将拼接后的所述上下文语义信息编码和上下文...

【技术特征摘要】
1.一种特定目标的情感极性分类方法，其特征在于，包括步骤：
获取上下文对应的词向量；其中，所述上下文包括至少一个特定目标，所述特定目标包括至少一个单词；
将所述上下文对应的词向量输入预设隐藏信息提取网络模型，提取所述上下文对应的隐藏状态向量；
对所述上下文对应的隐藏状态向量进行多头自注意力编码，得到上下文语义信息编码；
基于结合门控机制的预设图卷积神经网络，提取所述上下文对应的句法向量；
通过所述特定目标对应的权重向量，对所述句法向量进行筛选，得到与所述特定目标相关的上下文句法信息编码；
对所述上下文语义信息编码和上下文句法信息编码进行拼接，将拼接后的所述上下文语义信息编码和上下文句法信息编码进行多头自注意力编码，得到上下文语义句法信息编码；
将所述上下文语义信息编码和上下文语义句法信息编码取平均池化后再进行拼接，得到所述特定目标的特征表示；
将所述特定目标的特征表示输入预设情感极性分类函数中，得到所述特定目标的情感极性分类概率。


2.根据权利要求1所述的特定目标的情感极性分类方法，其特征在于，所述将所述上下文对应的词向量输入预设隐藏信息提取网络模型，提取所述上下文对应的隐藏状态向量，包括步骤：
将所述上下文对应的词向量输入预设隐藏信息提取网络模型中，通过所述预设隐藏信息提取网络模型得到上下文对应的隐藏状态向量的过程如下：



其中，n表示上下文对应的词向量的维度，表示预设隐藏信息提取网络模型中的正向运算过程，表示预设隐藏信息提取网络模型中的反向运算过程，Hc表示上下文对应的隐藏状态向量。


3.根据权利要求1所述特定目标的情感极性分类方法，其特征在于，所述对所述上下文对应的隐藏状态向量进行多头自注意力编码，得到上下文语义信息编码，包括步骤：
将所述上下文对应的隐藏状态向量Hc输入预设多头注意力编码公式，得到上下文语义信息编码Hcs；其中，预设多头注意力编码公式如下：
Hcs＝MHA(Hc,Hc)



oh＝Attentionh(k,q)
Attention(k,q)＝softmax(fs(k,q))k



fs(ki,qj)＝tanh([ki；qj]·Watt)
fs(ki,qj)表示多头注意力的第一输入向量k＝{k1,k2,...,kn}与多头注意力的第二输入向量q＝{q1,q2,...,qm}的语义相关性，当进行多头自注意力编码时k＝q，当进行多头交互注意力编码时k≠q，“；”是指向量的拼接，是可学习的权重，表示1行2dhid列的矩阵，dhid表示隐藏状态向量的维度，softmax()表示归一化指数函数，Attentionh(k,q)和oh表示多头注意力中的第h头输出结果，h∈[1,nhead]，表示对oh进行线性变化的dhid行dhid列的矩阵，dh表示多头注意力编码输出的向量维度。


4.根据权利要求1所述特定目标的情感极性分类方法，其特征在于，所述基于结合门控机制的预设图卷积神经网络，提取所述上下文对应的句法向量，包括步骤：
获取所述上下文中的单词对应的邻接矩阵；其中，所述邻接矩阵反应所述上下文中的单词的邻接关系；
根据所述特定目标在所述上下文中的位置和预设的位置权重分配函数，得到上下文中每个所述单词对应的位置权重；
将所述邻接矩阵和所述每个单词对应的位置权重输入结合门控机制的预设图卷积神经网络，提取所述上下文对应的句法向量。


5.根据权利要求4所述的特定目标的情感极性分类方法，其特征在于，所述根据所述特定目标在所述上下文中的位置和预设的位置权重分配函数，得到上下文中每个所述单词对应的位置权重，包括步骤：
根据所述特定目标在上下文中的位置和位置权重分配函数，得到上下文中每个单词对应的位置权重；其中，所述位置权重分配函数F(·)如下：



τ+1表示特定目标的起始位置，m表示特定目标中单词的个数，n表示上下文中单词的个数，qi表示上下文中第i个单词的位置权重。


6.根据权利要求4所述的特定目标的情感极性分类方法，其特征在于，所述将所述邻接矩阵和所述每个单词对应的位置...

【专利技术属性】
技术研发人员：庞士冠，肖路巍，胡晓晖，薛云，蔡倩华，唐碧霞，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东;44