[发明专利]一种基于方面依赖的记忆网络的情感极性检测方法

说明书

本发明公开了一种基于方面依赖的记忆网络的情感极性检测方法，该方法利用GRU网络对句子中的各个方面进行同时分类，并对它们相应的句子表示进行时间依赖处理，从而达到情感极性的检测；通过使用基于注意力的GRU网络将一个句子连同其所有方面项，生成相对于每个方面的句子感知表示向量，以此获得面向方面的特征，并将多个感知方面句子表示向量放入第二个GRU神经网络，将输出与生成的目标方面表示向量放入注意力层进行计算，并放入第三个GRU神经网络，将计算后的结果与第三个GRU网络的输出进行计算后与生成的目标方面表示向量相加，使用softmax分类器预测其情感极性，在SemEval 2014 ABSA数据集上评估我们的模型。

技术领域

本发明涉及服务计算技术领域，具体是涉及一种基于方面依赖的记忆网络的情感极性检测方法。

背景技术

随着微博网站的兴起，人们可以用尽可能少的词汇来接触到大量的人群。微博和新闻是在线发送信息的常用方法之一，这些文本的动态性质可以有效地用于金融领域，以跟踪和预测股票价格，这些可以由个人或组织用于做出与任何公司或股票相关的明智预测，这引起了金融领域情感极性分析的一个有趣问题。一项研究表明，从Twitter提要中获得的公众情感的情感极性分析可用于最终预测个别股票价格的变动。一个有效的情感极性分析系统是参与金融股票市场价格预测的公司的核心组成部分。

因此，在互联网技术的飞速增长下，提供一个准确的情感极性检测方法可以为上述问题提供一个良好的解决思路。

发明内容

针对现有的情感极性检测方法存在的检测准确度不高的问题，本发明的目的在于提供一种基于方面依赖的记忆网络的情感极性检测方法，以解决上述背景技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于方面依赖的记忆网络的情感极性检测方法，包括以下步骤：

步骤1：收集数据集文档，将数据集按主题分为宾馆评论与笔记本电脑评论两类。将标签定义为三类。按照数据集中数据的分布将数据分为训练集与测试集。将训练组与测试组中的标签集转化为one-hot向量；

步骤2：对训练组与测试组进行文本预处理：使用Glove模型将训练组与测试组中的方面内容训练成方面向量。并使用Glove模型将每个句子中的每个单词训练成词向量。将一个句子中的多个词向量分别与多个方面向量进行连接后放入GRU网络，后将输出通过注意力层得到一个句子的多个方面感知句子表示向量。同时生成目标方面表示向量；

步骤3：将得到的多个方面感知句子表示向量放入第二个GRU网络，将输出与目标方面表示向量相乘后放入注意力层，将多个方面的感知句子表示向量放入第三个GRU神经网络，将该神经网络的输出与注意力层的输出相乘后再与目标方面表示向量相加，相加之后进行分类。最后对该整体的神经网络模型进行训练，不断修改参数直至分类效果达到最优。

作为本发明进一步的方案，步骤1中对评论内容加标签的过程为：将标签分为三类，分别为：1分、0分、2分，分别对应情绪中的正面、负面和中性。并使用one-hot工具将标签转化为one-hot向量。

作为本发明进一步的方案，步骤2，具体包括以下子步骤：

步骤2.1：使用Glove模型训练训练组和测试组，得到每个方面的向量表示a_i，得到每个句子中每个单词的向量表示同时生成目标方面表示向量；

步骤2.2：将一个句子中的多个词向量分别与多个方面向量进行连接后放入GRU网络,GRU网络描述如下：

z＝σ(x_tU^z+s_t-1W^z)   Ⅰ

r＝σ(x_tU^r+s_t-1W^r)   Ⅱ