[发明专利]一种结合中文句法和图卷积神经网络的情感分类方法

权利要求书

1.一种结合中文句法和图卷积神经网络的情感分类方法，其特征在于，包括以下步骤：

S1，获取社交网络文本，将获取的社交网络文本作为待处理文本，对待处理文本进行预处理；

S2，学习句子及属性子句的上下文信息，得到相应的特征表示；在步骤S2中具体包括：

首先用当前时间步的输入x_t和上一时间步的隐藏状态输出计算得到原始前反馈输出

其中，W_zx表示当前时间步输入的激活权重；

x_t表示当前时间步的输入；

W_zh表示上一时间步的隐藏状态输出的激活权重；

表示上一时间步的隐藏状态输出；

b_z表示第一偏置项；

表示原始前反馈输出；

然后把这个输出结果一分为二，即和分别激活：

其中，σ()表示激活函数sigmoid；

表示输入到重置门的原始前馈输出；

r_t表示当前时间步的重置门输出；

其中，σ()表示激活函数sigmoid；

表示输入到更新门的原始前馈输出；

z_t表示当前时间步的更新门输出；

再使用当前时间步的重置门输出r_t和当前时间步的输入x_t一起计算另一个中间前馈输出：

其中，W_ax表示当前时间步输入的激活权重；

x_t表示当前时间步的输入；

W_ar表示当前时间步重置门输出的激活权重；

表示上一时间步的隐藏状态输出；

表示按矩阵元素进行点乘；

r_t表示当前时间步的重置门输出；

b_a表示第二偏置项；

a_t表示中间前馈输出；

对中间前馈输出a_t做双曲正切激活：

其中，tanh()表示双曲正切函数；

a_t表示中间前馈输出；

表示通过重置门后的状态；

以更新门的输出作为开关，得到当前时间步的隐藏状态输出：

其中，表示上一时间步的隐藏状态输出；

表示按矩阵元素进行点乘；

z_t表示当前时间步的更新门输出；

表示通过重置门后的状态；

表示当前时间步的隐藏状态；

S3，根据获取的给定文本的依存关系及语法信息，生成句子的语义树；

S4，根据嵌入了特征向量的依赖树，利用图卷积网络生成给定文本的情感特征表示；

S5，利用Softmax分类器构造每个情绪标记的条件概率分布，并输出文本的最终情感标签。

2.根据权利要求1所述的结合中文句法和图卷积神经网络的情感分类方法，其特征在于，在步骤S1中，对待处理文本进行预处理包括以下之一或者任意组合步骤：

S11，使用正则表达式去除无用符；

S12，将情绪子句的变化维数重塑成统一大小的特征向量；

S13，将中文文本分割成单词；

S14，每个单词或词组映射为实数域上的向量。

3.根据权利要求1所述的结合中文句法和图卷积神经网络的情感分类方法，其特征在于，在步骤S3中使用依存关系箭头表示句子的语法关系。