基于LC-GCN方面级情感分析方法、系统、存储介质和电子设备技术方案

本发明专利技术提供一种基于LC

【技术实现步骤摘要】
基于LC
‑
GCN方面级情感分析方法、系统、存储介质和电子设备


[0001]本专利技术涉及方面级情感分析
，具体涉及一种基于LC
‑
GCN方面级情感分析方法、系统、存储介质和电子设备。

技术介绍

[0002]随着互联网技术和社交媒体的不断发展，由互联网用户产生的关于产品、服务或事件的评论数据迅速增长。如何利用自然语言处理(Natural Language Processing,NLP)技术从评论文本中挖掘有价值的信息，例如情感分析任务，已成为当前研究热点且受到众多研究人员的高度关注。
[0003]情感分析任务除了分析整体评论情感外，其子任务可进一步挖掘评论文本中评论者关于一个或多个方面的情感极性，因此方面级情感分析成为NLP领域重要研究方向之一。方面级情感分析可细粒度地挖掘评论文本中某一方面的情感极性，例如评论语句“Good food but dreadful service at that restaurant”，传统情感分析仅从整体上分析其情感极性为中性，而方面级情感分析可分析出用户对于“f本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LC
‑
GCN方面级情感分析方法，其特征在于，包括：根据待分析的评论上下文，获取词嵌入矩阵，所述评论上下文中至少包括一个方面词；根据所述词嵌入矩阵，获取融合了上下文语义的隐藏特征向量；根据所述方面词在评论上下文中的局部上下文，获取动态上下文权重矩阵和局部上下文加权邻接图；根据所述隐藏特征向量、动态上下文权重矩阵和局部上下文加权邻接图，采用多层GCN网络获取聚焦于局部上下文信息的方面词特征矩阵，并标记所述方面词特征矩阵；根据标记后的方面词特征矩阵，获取所述方面词对应的情感极性。2.如权利要求1所述的基于LC
‑
GCN方面级情感分析方法，其特征在于，所述根据所述方面词在评论上下文中的局部上下文，获取动态上下文权重矩阵，具体包括：S1a、定义所述方面词在评论上下文为中心位置，获取所述方面词在评论上下文中的局部上下文；S2a、根据当前单词在所述评论上下文中的位置与所述中心位置的语义相关距离，判断当前单词是否属于所述局部上下文；S3a、根据判断结果，采用动态上下文赋权方式获取所述动态上下文权重矩阵。3.如权利要求1所述的基于LC
‑
GCN方面级情感分析方法，其特征在于，所述局部上下文加权邻接图的获取方式，具体包括：S1b、根据所述评论上下文，采用句法依存解析方法获取原始句法依存图；S2b、根据所述原始句法依存图中各个节点的依存关系，获取句法依存矩阵；S3b、根据当前节点与所述方面词对应节点的语义相关距离，计算所述评论上下文的权重矩阵；S4b、根据所述句法依存矩阵和权重矩阵，获取所述局部上下文加权邻接图。4.如权利要求3所述的基于LC
‑
GCN方面级情感分析方法，其特征在于，所述根据所述隐藏特征向量、动态上下文权重矩阵和局部上下文加权邻接图，采用多层GCN网络获取聚焦于局部上下文信息的方面词特征矩阵，具体包括：S1c、根据所述隐藏特征向量和动态上下文权重矩阵，获取输入到首层GCN网络的特征矩阵；S2c、根据所述局部上下文加权邻接图，以及所述原始句法依存图中各个节点的依存关系，获取标准化的各节点的度；其中，G
i
表示所述评论上下文中第i个单词在所述局部上下文加权邻接图G中对应的元素；D
i,j
表示当前单词i对应节点与其他任意单词j对应节点之间的依存关系，若存在依存关系，取1，否则取0；表示当前节点i的度，n表示所述评论上下文中一共包括n个单词；表示标准化的当前节点的度；S3c、根据所述第一特征矩阵和标准化的各节点的度，采用多层GCN网络获取所述方面词特征矩阵；
其中，ReLU表示非线性激活函数；W
l
和b
l
分别表示需要预先训练的参数矩阵和偏置项；l表示总层数为L层的GCN网络中的第l层；表示所述评论上下文中第i个单词在所述动态上下文权重矩阵W
h<...

【专利技术属性】
技术研发人员：余本功，张书文，罗贺，杨颖，张强，谢星雨，宋宇婷，杨善林，丁帅，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：