基于双句法信息的细粒度方面级别情绪分析方法技术

本发明专利技术公开了一种基于双句法信息的细粒度方面级别情绪分析方法，包括：1)建模每个方面情绪感知的上下文信息，并生成对应的语境内方面特有的情绪表示；2)建模方面的语境间关系增强的情绪特征表示；3)整合语境内方面特有的情绪特征向量和语境间关系增强的情绪特征向量得到方面的整体情绪特征向量，然后将上述整体情绪特征映射到低维语义空间，得到最终的情绪分析预测结果。本发明专利技术通过有效利用短语树和依赖树的句法信息，联合建模语境内和语境间的情绪特征表示，提升细粒度方面级别情绪分析的准确度。情绪分析的准确度。情绪分析的准确度。

【技术实现步骤摘要】
Block)编码短语树句法结构信息和依赖树句法结构信息；
[0014]1.2.1)图构建；
[0015]短语树每层包含多个短语{ph
u
},且每一个短语表示一个独立的语义单元，遵循自底向上的逻辑，对应的邻接矩阵CA构建如下：
[0016][0017]其中，l代表短语树的第l层，代表短语树第l层的短语集合；
[0018]依赖树体现的是词之间的连接关系，对应的邻接矩阵DA构建如下：
[0019][0020]1.2.2)双句法感知。
[0021]进行短语级别的短语句法信息和分句级别的依赖结构信息融合；
[0022]首先我们依据短语树的句法结构，划分子句，删除所有跨子句的依赖边。然后基于剩下的依赖边，对于短语树的每一层，同时考虑从同短语的词和有直接依赖关系的词之间聚合信息；
[0023]对应的邻接矩阵FA形式化表示如下，
[0024][0025]其中，代表条件对应位置加操作，即首先将DA中跨子句边对应的位置置为0，然后进行CA
l
和DA对应位置加操作；
[0026]1.2.3)句本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双句法信息的细粒度方面级别情绪分析方法，其特征在于，包括：1)建模每个方面情绪感知的上下文信息，并生成对应的语境内方面特有的情绪表示；1.1)给定输入文本{w1,w2,
…
,w
n
}和方面词a
t
，生成上下文感知的词表示其中，i＝1，2，
…
，n；即方面词a
t
对应的上下文感知的词表示为1.2)对给定输入文本{w1,w2,
…
,w
n
}，通过构建层次堆叠的图注意力块编码短语树句法结构信息和依赖树句法结构信息的融合信息其中，i＝1，2，
…
，n,l表示层数；定义最后一层输出的表示为则方面词a
t
经过上述句法结构编码后的表示为1.3)通过向量相加操作使得语境内模块的输出表示既包含上下文感知的序列信息又包括层级句法结构信息；即，对于方面词a
t
，对应的语境内方面特有的情绪特征表示为,其中，为语境内方面特有的情绪特征向量；2)建模方面的语境间关系增强的情绪特征表示；2.1)短语分割，通过基于规则的映射函数PS，返回给定两个方面词的对应短语分割项；PS作用过程如下：给定两个方面词，首先在短语树中找到他们的最小公共祖先结点LCA，该结点同时包含两个方面信息且具有最少的无关上下文，称在LCA的子树中处于两个方面所在子树中间的分支为“中间分支”；如果中间分支存在，则返回在中间分支上的所有文本词，否则返回输入文本序列中两个方面之间的所有词；上述过程形式化表示如下，其中，Br(a
i
,a
j
)返回方面词a
i
,a
j
对应中间分支上的所有文本词；2.2)方面
‑
语境图构建。在对每个邻居方面对利用PS映射函数抽取对应的短语分割项后，连接对应的方面词和短语分割项构建方面
‑
语境图；构建两个对应的邻接矩阵，其中第一个矩阵处理所有序列方面词中单数次序方面词对于相邻的偶数方面词的影响，第二个矩阵处理反向的影响；方面
‑
语境图上应用步骤1.2)中构建的层次堆叠的图注意力块作为关系编码器，对于每个方面a
t
输出语境间关系增强的情绪表示3)整合语境内方面特有的情绪特征向量和语境间关系增强的情绪特征向量得到方面的整体情绪特征向量，然后将上述整体情绪特征映射到低维语义空间，得到最终的情绪分析预测结果。2.根据权利要求1所述的基于双句法信息的细粒度方面级别情绪分析方法，其特征在于，所述步骤1.1)中，对给定输入文本{w1,w2,
…
,w
n
}和方面词a
t
...

【专利技术属性】
技术研发人员：魏巍，梁硕，张睿晗，刘宇航，刘逸帆，潘为燃，江胜，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：