[发明专利]一种基于层次注意力机制和门机制的属性级别情感分析方法

说明书

本发明公开了一种基于层次注意力机制和门机制的属性级别情感分析方法，旨在充分利用上下文和属性词的之间的关系，使得上下文和属性词进行充分的关联；突出上下文和属性词中不同词的重要性，以提高属性级别情感分析精度；丰富上下文和属性词表示中的信息，其方案是将评论语料进行预处理，通过GloVe词向量索引，得到上下文词嵌入矩阵和属性词嵌入矩阵；将上下文和属性词输入到GRU中得到上下文隐藏状态和属性词隐藏状态；通过自注意力得到上下文向量表示1、属性词向量表示和上下文向量表示2；拼接得到总体向量表示，并通过分类器得到属性词在上下文对应的情感极性的分布，分析差异性，对模型中的参数进行调整；属于自然语义处理中的情感分析领域。

技术领域

本发明涉及一种情感分析方法，具体地说，是一种基于层次注意力机制和门机制的属性级别情感分析方法；属于自然语义处理中的情感分析领域。

背景技术

近年来，随着互联网的发展，大量的消费平台和社交网络平台也逐渐走进人们的生活。消费者在消费平台消费之后往往会留下一段关于产品优劣的评论，网民也会留下关于某个事件的看法。对于商家而言，这些含有情感信息的评论无论是对企业或者是政府而言都是极具价值的，企业可以通过分析消费者的评论，了解产品的不足，以达到改善产品性能的目的,政府也可以通过总结网民对事件的看法以引导事件的发展方向。因此，如何从富含有情感信息的评论中挖掘出有用的信息成为自然语言处理的热点研究方向之一。

情感分析是自然语言处理中重要的子领域，可分为句子级别情感分析、篇章级别情感分析和属性级别情感分析。句子级别情感分析为对整个句子的单一情感极性(积极、中性和消极)进行判断。篇章一般由多个句子构成，所以篇章级别情感分析在于根据其构成的多个句子判断篇章的整体情感极性。由此可知，句子级别和篇章级别情感分析均为对评论文本的单一情感极性进行判断，而在产品以及产品属性日益多样化的今天，消费者一般会留下一段关于产品多个属性评论的评论文本，如：“The food was extremely tasty,butthe service was dreadful”，这是一段来自酒店的评论，通过分析可以看出属性词“food”和“service”的情感极性分别是积极和消极，而得到整体情感极性的句子和篇章级别情感分析明显不适合这种含有多个属性词且对每个属性词表达情感不一致的情况，所以，属性级别情感分析逐渐受到学术界和商业界的关注。

与判断整体情感分析的句子或者是篇章级别情感分析不同，属性级别情感分析需要通过属性词以及其上下文来得到属性词对应的情感极性，因此，属性级别情感分析需要充分利用属性词和上下文的关系，即不同属性词在上下文中关注的词也有所不同，如：当识别属性词“picture quality”情感极性的时候，“clear-cut”自然则能与属性词“picturequality”产生联系。除此之外，在属性级别情感分析中，不同词对于不同属性词情感极性的判断的作用也是不一致的，如：情感词。因此，在近些年属性级别情感分析的工作中，如何通过上下文和属性词的交互式学习，从而达到识别出上下文中对属性词重要词的目的已经成为了研究重点。常见的交互方式有如下几种：第一，将属性词向量与上下文向量进行拼接；第二，通过设计上下文和属性词之间的交互注意力机制。但是简单的拼接并不能达到识别出上下文中对属性词重要词的效果。其次，在大多数属性级别情感分析工作中将上下文与属性词之间的注意力机制结果直接作为上下文和属性词的表达，本文认为该做法在一定程度上忽略了原上下文和属性词表示的作用。因此，通过设计上下文和属性词之间的注意力机制成为了学术界研究热点方向之一。

发明内容

为此，本发明的目的在于提出了一种基于层次注意力机制和门机制来处理属性级别情感分析模型，旨在充分利用上下文(本发明将评论中除属性词部分称作为属性词的上下文)和属性词的之间的关系，使得上下文和属性词进行充分的关联；突出上下文和属性词中不同词的重要性，以提高属性级别情感分析精度；丰富上下文和属性词表示中的信息。

为解决上述技术问题，本发明通过的技术方案如下：

一种基于层次注意力机制和门机制的属性级别情感分析方法，包括如下步骤：