【技术实现步骤摘要】
本专利技术涉及语义情感分析，具体为用于方面级情感分析的语义增强多通道双向图卷积网络。
技术介绍
1、方面级情感分析旨在预测一个句子中的方面词的情感极性，近年来，基于图卷积网络(gcn)模型在方面级情感分析领域中得到非常令人满意的效果，然而，以前的研究只关注低层次语义特征和忽略了单词间存在多种关系特征，这些是制约方面级情感分析任务效果的关键。
2、情感分析是自然语言处理领域的基本任务之一，情感分析又称情感分类或者意见挖掘，是通过对文本进行分类以获取人们的观点：态度以及情感等，情感分析是一种具有较大实用价值的分类技术，在一些现实场景中有着广泛的应用，例如产品推荐：电影票房预测等。
3、情感分析按照粒度可以分为粗粒度和细粒度情感分析，粗粒度情感分析可以找出文档：段落或者句子的情感极性，细粒度情感分析也就是方面级情感分析，方面级情感分析是针对句子中的一个或者多个方面词，并找出每个方面词对于的情感极性，方面词通常是指实体或者实体属性，情感极性包括积极：消极和中性，方面级情感分析可以更加细致地判断句子在特定方面的情感极性，对文本的情感极性判断更加准确，这使得方面级情感分析成为当前情感分析领域的重点研究方向。
4、目前，神经网络模型是方面级情感分析的主流方法，将卷积神经网络(cnn)用于方面级情感分析，然而，基于cnn的模型只能对连续的单词进行特征提取，不足以确定由多个不相邻的词所描绘的方面词的情感极性，这可能会导致与方面词相关的远距离情感词被忽略，采用各种基于注意力机制结合lstm来实现这一目标，并取得不
5、因此，提出了一种随机密集残差连接bilstm和多通道双向图卷积网络相结合的复合模型(se-mbgcn)。
技术实现思路
1、本专利技术提供的专利技术目的在于提供用于方面级情感分析的语义增强多通道双向图卷积网络，解决上述
技术介绍
中的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：用于方面级情感分析的语义增强多通道双向图卷积网络，包括：
3、模型训练：通过对数据进行学习和训练，使系统从数据中学习出关键的特征和规律，并将其应用于新的数据中；
4、情感分析：分析方面词在各种情感极性的概率；
5、注意力机制：从句子上下文中提取出和方面词情感极性相关的重要情感词，并为每一个上下文词设置注意力权重；
6、随机密集残差连接bilstm：挖掘数据中的时序信息以及语义信息；
7、词嵌入：将句子中的单词转换为向量化表示；
8、掩码层：对句子中的非方面词进行屏蔽，只保留方面词向量表示；
9、多通道双向图卷积网络：用以更好地捕捉输入数据中的特征；
10、所述随机密集残差连接bilstm包括堆叠bilstm和随机密集残差连接，所述堆叠bilstm和随机密集残差连接之间双向信号连接，所述多通道双向图卷积网络包括句法依赖树、图卷积网络、多通道图卷积网络、双向图卷积网络和残差连接，所述句法依赖树、图卷积网络、多通道图卷积网络、双向图卷积网络和残差连接之间均双向信号连接；
11、所述随机密集残差连接bilstm中随机密集残差连接的输出端与模型训练的输入端双向信号连接，所述多通道双向图卷积网络中残差连接的输出端与模型训练的输入端双向信号连接。
12、进一步的，所述词嵌入的输出端信号连接于随机密集残差连接bilstm中随机密集残差连接的输入端。
13、进一步的，所述词嵌入的输出端与模型训练的输入端双向信号连接。
14、进一步的，所述随机密集残差连接bilstm中随机密集残差连接的输出端信号连接于注意力机制的输入端。
15、进一步的，随机密集残差连接bilstm中随机密集残差连接的输出端信号连接于掩码层的输入端。
16、进一步的，所述注意力机制的输出端与模型训练的输入端双向信号连接。
17、进一步的，所述注意力机制的输出端信号连接于情感分析的输入端。
18、进一步的，所述多通道双向图卷积网络中残差连接的输出端信号连接于掩码层的输入端。
19、进一步的，所述掩码层的输出端与模型训练的输入端双向信号连接。
20、进一步的，所述掩码层的输出端与注意力机制的输入端双向信号连接。
21、本专利技术具备以下有益效果：
22、(1)该用于方面级情感分析的语义增强多通道双向图卷积网络，通过随机密集残差连接bilstm，可以从较浅层次的语义特征中提取较深层次的语义特征，增强语义特征表示，很好地解决了堆叠bilstm的过拟合问题，并且，考虑到了单词间多种关系特征。
23、(2)该用于方面级情感分析的语义增强多通道双向图卷积网络，通过多通道双向图卷积网络，可以考虑到单词间不同的关系特征，将不同的关系特征进行编码并融合，从而增强模型在方面级情感分析的整体性能。
24、(3)该用于方面级情感分析的语义增强多通道双向图卷积网络，通过残差连接，针对基于gcn模型存在的语法信息低效使用问题，可以充分利用中间bigcn层编码的有用语法信息，有效增强bigcn对句法依赖树信息的利用，这有助于方面词与上下文的语法联系更加紧密，解决gcn存在的对句法依赖树信息低效利用问题。
25、(4)该用于方面级情感分析的语义增强多通道双向图卷积网络，通过注意力机制，可以将方面词向量和上下文向量进行交互，在上下文表示中检索出和各个方面词相关的情感特征，并生成最终的方面词向量表示。
本文档来自技高网...【技术保护点】
1.用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于，包括：
2.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述词嵌入(5)的输出端信号连接于随机密集残差连接BiLSTM(4)中随机密集残差连接的输入端。
3.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述词嵌入(5)的输出端与模型训练(1)的输入端双向信号连接。
4.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述随机密集残差连接BiLSTM(4)中随机密集残差连接的输出端信号连接于注意力机制(3)的输入端。
5.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：随机密集残差连接BiLSTM(4)中随机密集残差连接的输出端信号连接于掩码层(6)的输入端。
6.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述注意力机制(3)的输出端与模型训练(1)的输入端双向信号连接。>
7.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述注意力机制(3)的输出端信号连接于情感分析(2)的输入端。
8.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述多通道双向图卷积网络(7)中残差连接的输出端信号连接于掩码层(6)的输入端。
9.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述掩码层(6)的输出端与模型训练(1)的输入端双向信号连接。
10.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述掩码层(6)的输出端与注意力机制(3)的输入端双向信号连接。
...【技术特征摘要】
1.用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于，包括：
2.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述词嵌入(5)的输出端信号连接于随机密集残差连接bilstm(4)中随机密集残差连接的输入端。
3.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述词嵌入(5)的输出端与模型训练(1)的输入端双向信号连接。
4.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：所述随机密集残差连接bilstm(4)中随机密集残差连接的输出端信号连接于注意力机制(3)的输入端。
5.根据权利要求1所述的用于方面级情感分析的语义增强多通道双向图卷积网络，其特征在于：随机密集残差连接bilstm(4)中随机密集残差连接的输出端信号连接于掩码层(6)的输入端。
...【专利技术属性】
技术研发人员：吴小玲，刘强，姜晓梅，陈园允，胡华玉，杨吉，
申请(专利权)人：广东工程职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。