[发明专利]一种融合辅助信息与层级自注意力循环神经网络方面的情感分析方法

说明书

本发明公开了一种融合辅助信息与层级自注意力循环神经网络方面的情感分析方法，对词向量的模型进行改进；引入层次化自注意力机制模型；通过方面情感分析领域广泛使用的数据集进行验证。本发明的融合辅助信息与层级自注意力循环神经网络方面的情感分析方法针对传统注意力机制不能够对方面特征进行有效的关注，并且双向长短时记忆神经模型(BiLSTM)训练时间长、不能充分学习上下文信息等存在的问题。本发明的方法在词向量中增加词性、位置等方面辅助信息，然后通过双向门控循环神经网络(BiGRU)进行序列化信息学习，通过层次化自注意力机制为单词层和句子层调整深层次信息特征权重。

技术领域

本发明属于情感分析的技术领域，尤其涉及一种融合辅助信息与层级自注意力循环神经网络方面的情感分析方法。

背景技术

方面情感分析(Aspect-Based Sentiment Analysis，ABSA)是情感分析的一个重要分支，能够对文本内容进行细粒度的情感分类，分析句子各个方面可能存在的不同情感极性，提高情感分类效率和精准度。例如，“这家餐馆味道美味但是消费较高。”，在这句话中，“味道”对应的是积极情感，而“消费”对应的是消极情感，“味道”和“消费”对应的情感极性不同。说明一个句子各个方面可能存在不同的情感极性。目前，利用 Twitter分类器来进行评估，实验表明绝大部分的情感分类错误都是因为没有考虑方面信息，由此可见方面情感分析对于情感分类具有重要的作用。

针对传统的注意力机制不能够对方面特征进行有效的关注；BiLSTM 训练时间长、不能充分学习上下文信息；并且多数的深度学习模型未能充分考虑层次化结构对情感倾向性判定等存在的问题。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种融合辅助信息与层级自注意力循环神经网络方面的情感分析方法，在词向量中增加词性、位置等方面辅助信息，然后通过双向门控循环神经网络 (BiGRU)进行序列化信息学习，通过层次化自注意力机制为单词层和句子层调整深层次信息特征权重。

为了解决上述技术问题，针对磁声耦合的磁性纳米粒子浓度成像中磁性纳米粒子浓度图像重建方法部分的缺失，本发明提供一种融合辅助信息与层级自注意力循环神经网络方面的情感分析方法，包括以下步骤：

步骤1：对词向量的模型进行改进；

步骤2：引入层次化自注意力机制模型；

步骤3：通过方面情感分析领域广泛使用的数据集进行验证。

可选的，在步骤1中，将词性信息、位置信息作为该模型的辅助信息，来分析单词跟方面之间的相关性。

可选的，在步骤2中，在单词层引入注意力机制，句子层引入自注意力机制，采用基于self-attention机制的模型对从数据集中提取出的方面词能够进行更深层的情感分类。

由上，本发明的融合辅助信息与层级自注意力循环神经网络方面的情感分析方法针对传统注意力机制不能够对方面特征进行有效的关注，并且双向长短时记忆神经模型(BiLSTM)训练时间长、不能充分学习上下文信息等存在的问题。本发明的方法在词向量中增加词性、位置等方面辅助信息，然后通过双向门控循环神经网络(BiGRU)进行序列化信息学习，通过层次化自注意力机制为单词层和句子层调整深层次信息特征权重。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。

图1为本发明的融合辅助信息与层级自注意力循环神经网络方面的情感分析方法的流程图。

具体实施方式