[发明专利]一种基于深度学习的文本细粒度情感分析算法

说明书

本发明提供了一种基于深度学习的文本细粒度情感分析方法，包括如下步骤：基于辅助学习和注意力机制的AL‑ATT模型和基于图卷积网络与注意力机制的GCN‑ATT模型；基于辅助学习和注意力机制的AL‑ATT模型包括如下步骤：数据预处理—注意力嵌入模块—辅助学习模块—交互注意力模块—输出模块—正则化约束；相比于依赖语言学知识和人工特征提取的基于规则和机器学习方法，使用深度学习不需要人工的选择特征也不需要依赖大量的特征工程，它可以很好的处理高维的输入数据，可以自动学习文本中的特征，从而对文本向量实现进行准确的分类。

技术领域

本发明涉及自然语言处理中检测文本目标实体情感极性领域，尤其涉及一种基于深度学习的文本细粒度情感分析算法。

背景技术

现今社会，网络越来越便利，移动端越来越普及，各大社交网络平台蓬勃发展，人们愿意随时随地在各大平台上发表自己对于某件事的观点，表达自己情绪，这使社交网络上积累了大量的情感数据。较为活跃的社交平台包括国内的贴吧，论坛，朋友圈，微博，国外的Twitter，Instagram，Facebook等等。随着这些网络文本评论数据的不断增加，这些内容包含大量的有用的信息，通过对这些信息进行主观的情感分析，在诸多领域，例如舆情分析、推荐系统、电子商务等有相当大意义，文本情感分析基于处理文本的粒度不同，可以分为篇章级、段落级、句子级、短语级、词语级等几个层次，当前的情感分析研究大多是粗粒度的，即模型只得出一个整体的情感极性，然而，随着文本内容的复杂性和用户的需求逐渐增加，粗粒度的情感分析已不能满足社会需求；

文本细粒度情感分析，又称特定目标或情感实体的情感分析，旨在识别每个句子中各个目标或情感实体的情感极性，如“这个笔记本电脑CPU性能很强，但是屏幕分辨率不是很好”这条评论，对于情感实体“CPU”的情感极性是积极的，而对情感实体“屏幕分辨率”的情感极性是消极的，对于这样的文本，如果使用粗粒度情感分析，可能会得到中性情感的结论，这没有任何参考价值，甚至会对用户产生误导，所以，细粒度情感分析有着重要意义，在电子商务领域，可以通过用户对商品各个方面的评论信息进行情感分析，给其他用户提供一个参考依据，此外，厂家也可通过情感分析所得信息对商品进行针对性改进，得到更好的收益，在舆情分析方面，政府可以通过对网络平台上用户讨论的热门话题进行情感分析，了解民众反应，有利于政府做出应对措施。

现有技术的问题：细粒度情感分析在电子商务，舆情分析，心理健康等领域有着重要的理论和应用价值，在现有的基于深度学习的细粒度情感分析研究中，仍存在难以充分挖掘与情感实体情感极性相关的信息、忽略句子中各个情感实体之间的联系等问题。

发明内容

本发明的目的在于提供一种基于深度学习的文本细粒度情感分析算法，以解决上述技术问题。

本发明为解决上述技术问题，采用以下技术方案来实现：

一种基于深度学习的文本细粒度情感分析算法，其特征在于：包括如下步骤：基于辅助学习和注意力机制的AL-ATT模型和基于图卷积网络与注意力机制的GCN-ATT模型；

基于辅助学习和注意力机制的AL-ATT模型包括如下步骤：数据预处理-注意力嵌入模块-辅助学习模块-交互注意力模块-输出模块-正则化约束；

基于图卷积网络与注意力机制的GCN-ATT模型包括如下步骤：数据预处理-输入嵌入Bi-GRU模块-注意力嵌入模块-图卷积网络模块-输出模块与正则化约束；

辅助学习模块包括以下步骤：

S1、先将上下文或者目标项的词性映射为词性向量e^pos，并通过Glove预训练模型得到的词向量e^G，将两者拼接得到i＝[e^pos；e^G]作为辅助学习层的输入；

S2、将i输入到Bi-LSTM中得到前向隐含向量和后向隐含向量将和拼接得到最后的上下文隐含表示