一种基于图卷积网络的方面情感分析方法及装置制造方法及图纸

本申请公开了一种基于图卷积网络的方面情感分析方法及装置，方法包括：采用

【技术实现步骤摘要】
一种基于图卷积网络的方面情感分析方法及装置


[0001]本申请涉及语义分析
，尤其涉及一种基于图卷积网络的方面情感分析方法及装置
。

技术介绍

[0002]随着电子商务行业的迅猛发展，越来越多的消费者在互联网平台上分享他们对产品的评论和反馈
。
这些评论提供了用户对产品的直接反馈，但同时也给企业带来了整合和应对的挑战
。
如何有效整合和利用这些用户反馈信息，并迅速做出相应的反应，已经成为企业面临的重要任务之一，在基于方面的情感分析
(ABSA)
问题中，表达情感的相关目标从整个句子或文档转变为实体或实体的某个方面
。
而方面情感三联体提取
(ASTE)
是基于方面的情感分析
(ABSA)
的一种新变体
。
它是一种新兴的情感分析任务，
ASTE
任务旨在从句子中提取方面情感三元组，每个三元组包含三个元素，即方面项
、
意见项和与之相关的情感
。
[0003]现有的研究大多集中在管道方法独立提取三元组的元素
。
而这些技术忽略了它们之间的相互作用，并可能导致错误传播和额外的成本，同时，一些研究致力于设计一种新的标记方案，使模型能够以端到端的方式提取情感三联体
。
然而，这些方法忽略了词与词之间的关系
。
而基于依赖树的图神经网络影依赖关系分析结果不准确，难以得到更加符合实际场景要求的情感分析结果/>。

技术实现思路

[0004]本申请提供了一种基于图卷积网络的方面情感分析方法及装置，用于解决现有技术生成三元组的分析过程忽略了词与词
、
词与语言特征之间的关系，导致结果不准确，无法满足实际情感分析需求的技术问题
。
[0005]有鉴于此，本申请第一方面提供了一种基于图卷积网络的方面情感分析方法，包括：
[0006]采用
Bert
模型对目标文本句子进行编码处理，得到编码词序列；
[0007]通过
WC
‑
DE
算法和随机位置张量对所述编码词序列进行增强处理，得到增强词序列；
[0008]基于预置语法图卷积网络对所述编码词序列和所述增强词序列进行相关特征交换分析，得到交换语法图表示；
[0009]将所述交换语法图表示输入至双仿射注意力网络层进行词对关系分析，得到多通道关系邻接张量；
[0010]在依据所述多通道关系邻接张量计算出节点聚合矩阵后，根据所述节点聚合矩阵
、
所述多通道关系邻接张量和预设语言特性张量计算词节点表示和边表示；
[0011]采用分类器链根据所述词节点表示和所述边表示进行分类预测，得到标签概率分布；
[0012]根据所述标签概率分布对所述目标文本句子进行三元组解码分析，得到情感三元
组，所述情感三元组包括方面
、
意见和情感
。
[0013]优选地，所述通过
WC
‑
DE
算法和随机位置张量对所述编码词序列进行增强处理，得到增强词序列，包括：
[0014]根据随机位置张量和所述编码词序列计算噪声张量；
[0015]通过
WC
‑
DE
算法根据所述编码词序列
、
所述随机位置张量和所述噪声张量进行增强计算，得到增强词序列
。
[0016]优选地，所述通过
WC
‑
DE
算法和随机位置张量对所述编码词序列进行增强处理，得到增强词序列，包括：
[0017]根据随机位置张量和所述编码词序列计算噪声张量；
[0018]通过
WC
‑
DE
算法根据所述编码词序列
、
所述随机位置张量和所述噪声张量进行增强计算，得到增强词序列
。
[0019]优选地，所述基于预置语法图卷积网络对所述编码词序列和所述增强词序列进行相关特征交换分析，得到交换语法图表示，包括：
[0020]基于预置语法卷积网络根据预置邻接矩阵和所述编码词序列进行语法分析，得到语法图表示；
[0021]采用双仿射变换算法对所述语法图表示和所述增强词序列进行相关特征交换分析，得到交换语法图表示
。
[0022]优选地，所述在依据所述多通道关系邻接张量计算出节点聚合矩阵后，根据所述节点聚合矩阵
、
所述多通道关系邻接张量和预设语言特性张量计算词节点表示和边表示，包括：
[0023]利用多通道
GCN
根据所述多通道关系邻接张量进行聚合计算，得到节点聚合矩阵；
[0024]配置多种预设语言特性张量，并通过图卷积操作获取所述预设语言特性张量对应的语言特性表示；
[0025]根据所述语言特性表示和所述节点聚合矩阵进行平均池化计算，得到节点表示；
[0026]根据所述预设语言特性张量和所述多通道关系邻接张量进行连接操作，得到边表示
。
[0027]优选地，所述采用分类器链根据所述词节点表示和所述边表示进行分类预测，得到标签概率分布，包括：
[0028]采用分类器链对所述词节点表示和所述边表示进行连接计算，得到词对表示；
[0029]基于线性分析方法根据所述词对表示进行分类预测，得到标签概率分布
。
[0030]优选地，所述根据所述标签概率分布对所述目标文本句子进行三元组解码分析，得到情感三元组，所述情感三元组包括方面
、
意见和情感，包括：
[0031]根据所述标签概率分布在所述目标文本句子中分别提取方面术语和意见术语；
[0032]根据所述标签概率分布
、
所述方面术语和所述意见术语进行情感关系分析，并确定情感极性；
[0033]根据所述方面术语
、
所述意见术语和所述情感极性解码出情感三元组
。
[0034]本申请第二方面提供了一种基于图卷积网络的方面情感分析装置，包括：
[0035]文本编码单元，用于采用
Bert
模型对目标文本句子进行编码处理，得到编码词序列；
[0036]增强处理单元，用于通过
WC
‑
DE
算法和随机位置张量对所述编码词序列进行增强处理，得到增强词序列；
[0037]语法分析单元，用于基于预置语法图卷积网络对所述编码词序列和所述增强词序列进行相关特征交换分析，得到交换语法图表示；
[0038]关系分析单元，用于将所述交换语法图表示输入至双仿射注意力网络层进行词对关系分析，得到多通道关系邻接张量；
[0039]特性分析单元，用于在依据所述多通道关系邻接张量计算出节点聚合矩阵后，根据所述节点聚合矩阵<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图卷积网络的方面情感分析方法，其特征在于，包括：采用
Bert
模型对目标文本句子进行编码处理，得到编码词序列；通过
WC
‑
DE
算法和随机位置张量对所述编码词序列进行增强处理，得到增强词序列；基于预置语法图卷积网络对所述编码词序列和所述增强词序列进行相关特征交换分析，得到交换语法图表示；将所述交换语法图表示输入至双仿射注意力网络层进行词对关系分析，得到多通道关系邻接张量；在依据所述多通道关系邻接张量计算出节点聚合矩阵后，根据所述节点聚合矩阵
、
所述多通道关系邻接张量和预设语言特性张量计算词节点表示和边表示；采用分类器链根据所述词节点表示和所述边表示进行分类预测，得到标签概率分布；根据所述标签概率分布对所述目标文本句子进行三元组解码分析，得到情感三元组，所述情感三元组包括方面
、
意见和情感
。2.
根据权利要求1所述的基于图卷积网络的方面情感分析方法，其特征在于，所述通过
WC
‑
DE
算法和随机位置张量对所述编码词序列进行增强处理，得到增强词序列，包括：根据随机位置张量和所述编码词序列计算噪声张量；通过
WC
‑
DE
算法根据所述编码词序列
、
所述随机位置张量和所述噪声张量进行增强计算，得到增强词序列
。3.
根据权利要求1所述的基于图卷积网络的方面情感分析方法，其特征在于，所述基于预置语法图卷积网络对所述编码词序列和所述增强词序列进行相关特征交换分析，得到交换语法图表示，包括：基于预置语法卷积网络根据预置邻接矩阵和所述编码词序列进行语法分析，得到语法图表示；采用双仿射变换算法对所述语法图表示和所述增强词序列进行相关特征交换分析，得到交换语法图表示
。4.
根据权利要求1所述的基于图卷积网络的方面情感分析方法，其特征在于，所述在依据所述多通道关系邻接张量计算出节点聚合矩阵后，根据所述节点聚合矩阵
、
所述多通道关系邻接张量和预设语言特性张量计算词节点表示和边表示，包括：利用多通道
GCN
根据所述多通道关系邻接张量进行聚合计算，得到节点聚合矩阵；配置多种预设语言特性张量，并通过图卷积操作获取所述预设语言特性张量对应的语言特性表示；根据所述语言特性表示和所述节点聚合矩阵进行平均池化计算，得到节点表示；根据所述预设语言特性张量和所述多通道关系邻接张量进行连接操作，得到边表示
。5.
根据权利要求1所述的基于图卷积网络的方面情感分析方法，其特征在于，所述采用分类器链根据所述词节点表示和所述边表示进行分类预测，得到标签概率分布，包括：采用分类器链对所述词节点表示和所述边表示进行连接计算，得到词对表示；基于线性分析方法根据所述词对表示进行分类预测，得到标签概率分布
。6.

【专利技术属性】
技术研发人员：杨芳捷，冯广，刘若尘，罗良语，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：