一种基于循环注意力的方面级情感分析系统和方法技术方案

本发明专利技术公开一种基于循环注意力的方面级情感分析系统和方法，包括循环注意力模块、方面挖掘注意力模块和特征融合分类模块；其中，所述循环注意力模块，基于GRU的门控机制，对文本进行注意力操作，得到更新的依赖矩阵，以调整图卷积神经网络卷积过程中对不同依赖的关注度；所述方面挖掘注意力模块，用于将每一层图卷积神经网络对句子方面的编码分别作为Query，对文本做注意力操作，挖掘文本中关于方面情感的语义信息，输出语义特征；所述特征融合分类模块，使用全连接层对语义特征进行融合处理，再进行情感分类。再进行情感分类。再进行情感分类。

【技术实现步骤摘要】
一种基于循环注意力的方面级情感分析系统和方法


[0001]本专利技术涉及语言处理
，特别涉及一种基于循环注意力的方面级情感分析系统和方法。

技术介绍

[0002]RAGCNs是一种用于文本方面级情感分析的系统，主要用于分析互联网(如博客、论坛以及社会服务网络)中用户对人物、事件、产品等目标对象生成的有价值的大量评论信息，从而为下游的分析和决策判断提供参考。
[0003]其中，方面级情感分析是一种细粒度的情感分析，旨在分析用户对目标对象所产生的情感极性、情绪、评价、态度等评论信息，目标对象包括但不限于商品、服务、组织、个人、事件等。随着社交网络、评论站点等用户发声渠道越来越多，方面级情感分析的价值与日俱增，人工进行海量信息的方面情感分析是不现实的，因此一般通过计算机辅助系统挖掘用户观点进行方面级情感分析。现有的计算机辅助系统包括以下几个：
[0004]1.基于机器学习的方面级情感分析系统；
[0005]该系统先将文本信息进行特征处理，然后对模型进行有监督学习训练，最后用训练好的模型预测文本的情感极性。但整个过程需要消本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环注意力的方面级情感分析系统，其特征在于，包括循环注意力模块、方面挖掘注意力模块和特征融合分类模块；其中，所述循环注意力模块，用于对文本进行注意力操作，得到更新的依赖矩阵；所述方面挖掘注意力模块，用于将每一层图卷积神经网络对句子方面的编码分别作为Query，对文本做注意力操作，挖掘文本中关于方面情感的语义信息，输出语义特征；所述特征融合分类模块，使用全连接层对语义特征进行融合处理，再进行情感分类。2.如权利要求1所述的一种基于循环注意力的方面级情感分析系统，其特征在于，还包括数据预处理模块、词向量构建模块、上下文编码模块、卷积池化模块和图卷积模块；所述数据预处理模块，用于对输入的文本进行分词、去噪，构建基于三元组<词序列，依赖矩阵，目标方面>的输入词序列；所述词向量构建模块，用于使用预训练的GloVe向量将输入词序列转换成对应的词向量序列；所述上下文编码模块，用于对输入的词向量序列进行重新编码，输出包含上下文关系的词语编码向量；所述卷积池化模块，利用上下文中的情感特征激活循环注意力模块；所述图卷积模块，用于利用循环注意力模块更新得到的依赖矩阵更新情感上下文。3.如权利要求2所述的一种基于循环注意力的方面级情感分析系统，其特征在于，还包括位置信息融合模块，用于对图卷积模块更新的情感上下文注入位置信息。4.如权利要求1所述的一种基于循环注意力的方面级情感分析系统，其特征在于，所述情感分类包括消极、中性、积极。5.一种基于循环注意力的方面级情感分析方法，其特征在于，具体包括以下步骤：S1：输入待进行情感分析的文本，并指定输入文本中的目标方面；S2：对文本进行数据预处理，构建输入序列；S3：对S2中的输入序列进行词向量构建得到词向量序列，再对词向量序列进行编码，得到具有上下文关系的词语编码向量集合HE；S4：对词语编码向量集合HE进行卷积操作，获得包含情感特征的卷积结果集合HC，再对卷积向量集合HC进行最大池化，得到循环注意力模型的初始状态e0，用以激活循环注意力，从而输出e
t
到图卷积模块；S5：图卷积模块利用循环注意力模块的输出e
t
作为查询，对每一个词向量的依赖词做注意力增强的图卷积，输出词向量意力增强的图卷积，输出词向量表示第L层图卷积网络在位置i的输出词向量；S6：将图卷积模块中每一层图卷积神经网络对句子方面的编码分别作为查询，从而对词语编码向量集合HE进行注意力操作，输出语义特征；S7：对语义特征进行融合处理，得到文本的情感分析类别。6.如权利要求5所述的一种基于循环注意力的方面级情感分析方法，其特征在于，所述S2中，词序列的构建方法为：对文本内容进行分词、去噪，解析获取句子的句法依赖树，利用句法依赖树构建n
×
n的依赖矩阵A，其中n代表句子中词语的数目，最后输入句子对应的词序列sentence、依赖矩阵A、目标方面aspect_indices，组合成三元组<sentence，A，aspect_indices>作为输入词序列。
7.如权利要求5所述的一种基于循环注意力的方面级情感分析方法，其特征在于，所述S3包括：S3
‑
1：使用预训练的GloVe向量将输入词序列转换成对应的词向量序列X＝[x1,x2,
…
,x
τ+1
,
…
,x
τ+m
,
…
,x
n
]，其中n代表句子的数目，τ+1表示长度为m的方面词的开始位置，τ+m表示方面词的结束位置，x
n
表示第n个词向量；S3
‑
2：采用BI
‑
LSTM编码器对词向量进行编码，编码过程如下：公式(1)中，是前向传播LSTM在位置i的输出，E表示当前向量是BI
‑
LSTM编码器的输出结果，是后向传播LSTM在位置i的输出，表示前向传播LSTM在位置i的状态...

【专利技术属性】
技术研发人员：古平，李强，阳松，王江兴，张程，
申请(专利权)人：重庆大学，
类型：发明
国别省市：