[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

说明书

本发明提出了一种结合中文句法和图卷积神经网络的情感分类方法，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；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。本发明能够对获取的社交网络文本情感进行分类，为社交网络平台中的短文本提供更细致、更深入的情感分析。

技术领域

本发明涉及一种社交网络技术领域，特别是涉及一种结合中文句法和图卷积神经网络的情感分类方法。

背景技术

近年来，情感分析(Sentiment Analysis，SA)一直是自然语言处理(NaturalLanguage Processing，NLP)领域的一个热门话题，也是近年来的研究热点。情绪分析是一种自动分析文本和解释背后的情绪的过程。通过机器学习和文本分析算法可以按照语句情感将文本分类为肯定，否定和中性三类。随着移动互联网的普及，网络用户已经习惯于在网络上表达意见和建议，比如电商网站上对商品的评价、社交媒体中对品牌、产品、政策的评价等等。网络用户对现实世界的感知和感受，包括他们做出的任何选择，都会受到其他人对现实世界的看法和影响。所以，对网民感兴趣的事物所发表的观点和感受进行挖掘分析，并将其研究成果运用到舆情分析、市场研究、客户体验分析等领域，这就是情感分析的研究意义所在。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种结合中文句法和图卷积神经网络的情感分类方法。

为了实现本发明的上述目的，本发明提供了一种结合中文句法和图卷积神经网络的情感分类方法，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；

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。

在本发明的一种优选实施方式中，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。

在本发明的一种优选实施方式中，在步骤S2中包括：

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；