基于门控空洞卷积和图卷积的方面级情感分析方法及系统技术方案

本发明专利技术涉及基于门控空洞卷积和图卷积的方面级情感分析方法和系统，其方法包括：将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。本发明专利技术结合了门控空洞卷积网络和图卷积神经网络，有效地利用了文本语言信息，同时强调了方面信息在方面级情感分析的重要性，提高了方面级情感分析任务的准确性。高了方面级情感分析任务的准确性。高了方面级情感分析任务的准确性。

【技术实现步骤摘要】
基于门控空洞卷积和图卷积的方面级情感分析方法及系统


[0001]本专利技术属于深度学习和自然语言处理
，具体涉及基于门控空洞卷积和图卷积的方面级情感分析方法及系统。

技术介绍

[0002]随着用户对文本情感分析的要求日益提高，情感分析正在从粗粒度层面向细粒度层面转变。方面级情感分析(Aspect－Based Sentiment Analysis，ABSA)旨在识别给定文本中每个特定方面的情感类别，作为情感分析的重要子任务之一，可以针对不同的方面挖掘出用户更具体更深层的情感，从而成为多个领域决策的重要依据，具备很大的应用价值，演变成自然语言处理任务的新兴研究方向。
[0003]早期研究中方面级情感分析被当作一般的情感分析任务，采用传统的机器学习的方法以及基于词典和规则的方法建立分类模型，但该方法需要对输入文本进行大量的预处理，且模型性能依赖于人工选择的特征，模型的推广性较差。随着计算机处理速度的提升，用的多的是基于端到端的深度学习方法，较传统方法取得更好的结果。以往提出的模型大多基于注意力机制和常见的神经网络，在如何提取语义信息方面做出了很大的贡献，然而忽略了文本数据的语法信息，这对方面级情感分析的判别也是至关重要的。基于对图卷积网络(Graph Convolutional Network，GCN)的研究发现，图卷积可确保对句子依赖树表示的结构进行编码，有效的捕获句法信息和远距离单词依赖，可以在ABSA模型中使用GCN网络对文本语法信息进行提取。门控空洞卷积可以在卷积的基础上，进一步强化数据的有效信息，同时将方面信息融入上下文信息，实现在编码上下文时考虑方面特征，方面项信息对ABSA任务的性能也至关重要。

技术实现思路

[0004]为充分利用文本中的语法信息，并提高方面级情感分析的准确率，在本专利技术的第一方面提供了基于门控空洞卷积和图卷积的方面级情感分析方法，包括：将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
[0005]在本专利技术的一些实施例中，所述将待分析文本的句子中的上下文和方面词分别用词向量进行表示包括：
[0006]分别对上下文和方面词进行多维的Glove词嵌入，生成上下文嵌入和方面词嵌入其中表示实数集，m、n分别表示上下文嵌入v
s
和方面词嵌入v
t
的长度，d
w
代表词向量的维度。
[0007]在本专利技术的一些实施例中，所述将得到的上下文和方面词的嵌入输入到门控空洞
卷积神经网络中，得到融入方面信息的上下文表示包括如下步骤：
[0008]堆叠3个空洞率大小分别为1、2和4的空洞卷积层，得到上下文隐藏状态向量其中τ、m和n分别表示每个空洞卷积层的节点数量；
[0009]通过门控机制向所述上下文隐藏状态向量H
c
中融入方面信息。
[0010]在本专利技术的一些实施例中，所述图卷积神经网络包括输入层、图卷积层、池化层和softmax层，所述输入层，用于接收融入方面信息的上下文表示，以及根据文本对应的句子依赖树获得邻接矩阵；所述卷积层，用于对融入方面信息的上下文表示通过邻接矩阵和图卷积操作将其转化为方面向量；所述池化层，用于聚合增强方面向量的信息；所述softmax层，用于根据聚合增强方面向量的信息预测情感极性的概率。
[0011]进一步的，所述图卷积操作包括：先对输入融入方面信息的上下文表示进行线性转换，然后通过邻接矩阵进行相邻求和，最后使用ReLU激活函数进行非线性转换。
[0012]在上述的实施例中，在将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性之前还包括：
[0013]对所述融入方面信息的上下文表示进行位置感知转换。
[0014]本专利技术的第二方面，提供了一种基于门控空洞卷积和图卷积的方面级情感分析系统，包括：
[0015]嵌入模块，用于将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；
[0016]融合模块，将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；
[0017]预测模块，将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
[0018]进一步的，所述嵌入模块包括第一嵌入单元和第二嵌入单元，所述第一嵌入单元，对待分析文本的上下文进行多维的Glove词嵌入，生成上下文嵌入；所述第二嵌入单元，对待分析文本的方面词进行多维的Glove词嵌入，生成方面词嵌入。
[0019]本专利技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术第一方面提供的基于门控空洞卷积和图卷积的方面级情感分析方法。
[0020]本专利技术的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术第一方面提供的基于门控空洞卷积和图卷积的方面级情感分析方法。
[0021]本专利技术的有益效果是：
[0022]1、本专利技术采用门控空洞卷积网络(门控空洞卷积神经网络)扩大了卷积的感受野，丰富了局部特征信息的提取。门控机制在卷积(卷积神经网络，CNN)的基础上，进一步强化数据的有效信息，同时将方面信息融入上下文信息，实现在编码上下文时考虑方面特征，有效提高方面级情感分析结果；
[0023]2、本专利技术采用位置感知转换将方面项的位置信息引入模型，解决了当句子中不同
方面项包含同一单词时，对方面项的特征学习产生混淆的问题，提高了信息检索的性能；
[0024]3、本专利技术采用图卷积方法对句子依赖树表示的依存结构进行编码，有效的捕获句法信息和远距离单词依赖，进一步提高了模型的性能。
附图说明
[0025]图1为本专利技术的一些实施例中的基于门控空洞卷积和图卷积的方面级情感分析方法的基本流程示意图；
[0026]图2为本专利技术的一些实施例中的基于门控空洞卷积和图卷积的方面级情感分析方法的具体流程示意图；
[0027]图3为本专利技术的一些实施例中的门控空洞卷积神经网络的原理示意图；
[0028]图4为本专利技术的一些实施例中的基于门控空洞卷积和图卷积的方面级情感分析系统的结构示意图；
[0029]图5为本专利技术的一些实施例中的电子设备的结构示意图。
具体实施方式
[0030]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0031]实施例1
[0032]参考图1与图2，在本专利技术的第一方面，提供了基于门控空洞卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，包括：将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。2.根据权利要求1所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，所述将待分析文本的句子中的上下文和方面词分别用词向量进行表示包括：分别对上下文和方面词进行多维的Glove词嵌入，生成上下文嵌入和方面词嵌入其中表示实数集，m、n分别表示上下文嵌入v
s
和方面词嵌入v
t
的长度，d
w
代表词向量的维度。3.根据权利要求1所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，所述将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示包括如下步骤：堆叠3个空洞率大小分别为1、2和4的空洞卷积层，得到上下文隐藏状态向量其中τ、m和n分别表示每个空洞卷积层的节点数量；通过门控机制向所述上下文隐藏状态向量H
c
中融入方面信息。4.根据权利要求1所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，所述图卷积神经网络包括输入层、图卷积层、池化层和softmax层，所述输入层，用于接收融入方面信息的上下文表示，以及根据文本对应的句子依赖树获得邻接矩阵；所述卷积层，用于对融入方面信息的上下文表示通过邻接矩阵和图卷积操作将其转化为方面向量；所述池化层，用于聚合增强方面向量的信息；所述softmax层，用于根据聚合增强方面向量的信息预测情感极性...

【专利技术属性】
技术研发人员：路松峰，杜俊志，方波，吴俊军，姜鹭，周军龙，周力，易王画，
申请(专利权)人：艾普工华科技武汉有限公司，
类型：发明
国别省市：