【技术实现步骤摘要】
本专利技术涉及文本分析，特别涉及基于深度学习的方面情感分类系统。
技术介绍
1、方面级情感分析相比于句子级情感分析，其粒度更小，在实际生活中，人们往往会从多个角度多个方面来看待一个问题，去挖掘人们不同方面的不同情感非常具有现实意义。目前在深度学习领域，已经对方面情感分类问题有了许多处理方法，但是目前仍然没有一个足够完善且高度有效的解决方案。
2、在方面情感分析任务中，以往的研究通常把研究重心放在语义特征的提取上，经常忽略句子中情感词的作用，但是情感词往往就是某个方面词对应的观点词，对分类有重要作用。同时一些研究对方面词的特征提取也比较简单，并没有考虑方面词间连接关系的影响，导致最终分析结果的准确性较低。
3、因此，急需提供一种基于深度学习的方面情感分类系统，以提升分类结果的准确性。
技术实现思路
1、本专利技术提供了基于深度学习的方面情感分类系统，能够提升分类结果的准确性。
2、为了达到上述目的，本申请提供如下技术方案：
3、基于深度学习的方面情感分类系统，包括方面级情感分类模型，所述方面级情感分类模型包括词嵌入模块、语义特征提取模块、上下文特征提取模块、方面词特征提取模块和情感极性分类模块；
4、所述词嵌入模块，包括词嵌入层，用于对待分析文本中的若干句子进行转化，采用向量的形式进行表示，生成句子的嵌入向量hc；
5、所述语义特征提取模块，用于根据所述词嵌入向量hc，通过多头自注意力机制，生成第i个自注意力的输
6、所述上下文特征提取模块，用于分析各单词间的情感语义关系，生成上下文句法特征向量hss；
7、所述方面词特征提取模块，用于生成方面词和连接词的特征矩阵ha；
8、所述情感极性分类模块，用于根据上下文句法特征向量hss、方面词和连接词的特征矩阵ha，生成方面情感参数
9、进一步，所述词嵌入模块包括词向量生成模块，用于根据词嵌入矩阵得到用数学方式表达的词向量x＝(x1,x2,x3,…,xn)；式中，r为实数域，|v|为语料库中单词的个数，de为词向量的维度，n为句子中包含的单词个数。
10、进一步，所述词嵌入模块还包括位置特征向量生成模块，用于计算待分析文本中单词i与句子中方面词之间的位置索引，计算公式如下：
11、
12、式中，post(i)为单词i与句子中方面词之间的位置索引，x1为方面词中起始词的位置，x2为方面词中结束词的位置；若方面词由一个词组成，则x1＝x2；
13、根据单词i与句子中方面词之间的位置索引，分析句子的位置特征向量xpost。
14、进一步，所述词嵌入模块还包括词性嵌入向量生成模块，用于对待分析文本中的句子设置词性标签，并将所述词性标签通过词性嵌入矩阵转换为词性嵌入向量xp。
15、进一步，所述词嵌入模块还包括词嵌入向量生成模块，用于根据所述词向量x、位置特征向量xpost和词性嵌入向量xp，生成词嵌入向量hc，所述词嵌入向量的计算公式为：hc＝[x；xpost；xp]。
16、进一步，所述情感极性分类模块，用于根据上下文句法特征向量hss、方面词和连接词的特征矩阵ha，生成方面情感参数所述方面情感参数的计算公式如下：
17、
18、将方面情感参数输入至全连接层，经过softmax层，生成概率分布用于情感分类，具体计算公式如下：
19、
20、式中，wp为可学习的权重矩阵，bp为偏移量。
21、本专利技术的原理及优点在于：在rest14、lap14、mams数据集上与多个基准模型的对比实验证明了本方案中的方面级情感模型在分类性能上有一定的提升。在准确率(accuracy)、f1值两个指标分别达到了87.03％、82.46％；83.04％，78.96；86.19％、84.47％，与近年来最优的r-gat+模型相比，在rest14和lap14两个数据集上准确率分别提升了0.35％和2.1％，在mams数据集上，相比较优效果的dotgcn模型准确率提高了1.24％，取得了较好的分类效果。对于方面情感分类任务具有一定的指导意义和实际效用价值。
本文档来自技高网...【技术保护点】
1.基于深度学习的方面情感分类系统，包括方面级情感分类模型，其特征在于：所述方面级情感分类模型包括词嵌入模块、语义特征提取模块、上下文特征提取模块、方面词特征提取模块和情感极性分类模块；
2.根据权利要求1所述的基于深度学习的方面情感分类系统，其特征在于：所述词嵌入模块包括词向量生成模块，用于根据词嵌入矩阵得到用数学方式表达的词向量X＝(x1,x2,x3,…,xn)；式中，R为实数域，|V|为语料库中单词的个数，de为词向量的维度，n为句子中包含的单词个数。
3.根据权利要求2所述的基于深度学习的方面情感分类系统，其特征在于：所述词嵌入模块还包括位置特征向量生成模块，用于计算待分析文本中单词i与句子中方面词之间的位置索引，计算公式如下：
4.根据权利要求3所述的基于深度学习的方面情感分类系统，其特征在于：所述词嵌入模块还包括词性嵌入向量生成模块，用于对待分析文本中的句子设置词性标签，并将所述词性标签通过词性嵌入矩阵转换为词性嵌入向量XP。
5.根据权利要求4所述的基于深度学习的方面情感分类系统，其特征在于：所述词嵌入模块还包括词嵌入
6.根据权利要求1所述的基于深度学习的方面情感分类系统，其特征在于：所述情感极性分类模块，用于根据上下文句法特征向量Hss、方面词和连接词的特征矩阵Ha，生成方面情感参数所述方面情感参数的计算公式如下：
...【技术特征摘要】
1.基于深度学习的方面情感分类系统，包括方面级情感分类模型，其特征在于：所述方面级情感分类模型包括词嵌入模块、语义特征提取模块、上下文特征提取模块、方面词特征提取模块和情感极性分类模块；
2.根据权利要求1所述的基于深度学习的方面情感分类系统，其特征在于：所述词嵌入模块包括词向量生成模块，用于根据词嵌入矩阵得到用数学方式表达的词向量x＝(x1,x2,x3,…,xn)；式中，r为实数域，|v|为语料库中单词的个数，de为词向量的维度，n为句子中包含的单词个数。
3.根据权利要求2所述的基于深度学习的方面情感分类系统，其特征在于：所述词嵌入模块还包括位置特征向量生成模块，用于计算待分析文本中单词i与句子中方面词之间的位置索引，计算公式如下：
4...
【专利技术属性】
技术研发人员：李建平，王广硕，崔长润，陈丽熹，
申请(专利权)人：电子科技大学，
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。