[发明专利]一种用于目标情感分类的深度记忆网络模型及其分类方法

说明书

本发明公开了一种用于目标情感分类的深度记忆网络模型包括输入模块、注意力模块和交互分类模块，通过输入模块可以将句子划分为目标向量和对应的上下文向量，然后通过注意力模块基于输入的目标向量从外部存储的上下文向量中获取对应的情感信息，并获得目标上下文表示；再通过交互分类模块对目标上下文表示与目标向量表示进行交互计算，获得句子文本对指定目标的情感表示，然后将情感表示作为特征进行分类，获得模型预测的情感极性。并基于上述深度记忆网络模型提出了一种分类方法，通过将上下文向量表示与目标之间的交互信息融入最终的情感分类表示，可以实现有效识别上下文对目标的情感极性的技术效果。

技术领域

本发明涉及计算机技术领域，具体涉及一种用于目标情感分类的深度记忆网络模型及其分类方法。

背景技术

线上评论的发展，提供了大量可用于挖掘的短文本数据。获取这些文本中的情感观点既蕴涵巨大的商业价值也带来了很多挑战性的学术研究问题。情感分析，也称观点挖掘，研究目标就是分析文本中人们对评论事物(如：产品，服务，时事话题等)的情感，观点或者具体态度。情感分析在成为自然语言处理中的一个研究主题后，迅速成为了热点研究领域。

特定目标情感分类，是情感分析研究中的一项细粒度子任务，确定了具体的文本对其所评论目标的情感极性(即positive，negative和neutral)。例如，句子“Average togood Thai food,but terrible delivery.”，分别对目标“Thai food”和“delivery”表达了积极和消极情感。从这个例子中可以看出，一个评论句子对不同的目标可能表达相反的情感。同时，判断一个目标的情感极性只需要关注一部分的上下文，例如，通过“good”能够确定目标“Thai food”的情感极性，但却不影响“delivery”的情感判断。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

受记忆网络(memory network，MN)在问答系统中成功运用的启发，现有深度记忆网络中引入注意力机制。然而，只基于注意力机制的记忆网络不能处理上下文的情感依赖于具体目标的情况。例如，在句子“The price is high.”和“The quality is high.”中，对于目标“The price”和“The quality”他们的上下文相同，但是情感极性却相反，即分别对应消极和积极情感。深度记忆网络利用注意力机制可以找到关键的上下文“high”，但是却无法区分这两种情况的情感极性，因为不同于情感词“good”和“terrible”，“high”本身是不带有明确的情感。深度记忆网络可以直接推断“good”修饰的目标情感是积极的，而“terrible”是消极的，因为这些上下文带有明确的情感。然而词语“high”的情感极性判断依赖于具体的目标。

由此可知，现有技术中的方法存在无法有效识别上下文对目标的情感极性的技术问题。

发明内容

有鉴于此，本发明提供了一种用于目标情感分类的深度记忆网络模型及其分类方法，用以解决或者至少部分解决现有技术中的方法存在的无法有效识别上下文对目标的情感极性的技术问题。

本发明第一方面提供了一种用于目标情感分类的深度记忆网络模型，包括：

输入模块，用于将句子划分为目标向量和对应的上下文向量，其中，上下文向量作为外部记忆被存储；

注意力模块，用于基于输入的目标向量从外部存储的上下文向量中获取对应的情感信息，并获得目标上下文表示；

交互分类模块，用于对目标上下文表示与目标向量表示进行交互计算，获得句子文本对指定目标的情感表示，然后将情感表示作为特征进行分类，获得模型预测的情感极性。

在一种实施方式中，注意力模块包括第一计算层，其中，第一计算层包括一个注意力函数。