[发明专利]基于transD知识图嵌入的文本情感分类系统及方法

说明书

本发明涉及一种基于transD知识图嵌入的文本情感分类系统，包括文本预处理模块、融合用户信息分层注意力模块、融合产品信息分层注意力模块和情感类别预测模块；所述文本预处理模块与融合用户信息分层注意力模块、融合产品信息分层注意力模块分别连接；所述情感类别预测模块与融合用户信息分层注意力模块、融合产品信息分层注意力模块分别连接。本发明能够从外部知识库中学习更准确的同义词表示，最终获得更准确的评论情感极性。

技术领域

本发明涉及自然语言处理领域，具体涉及一种基于transD知识图嵌入的文本情感分类系统及方法。

背景技术

文本情感分类(sentiment classification)是近年来观点挖掘领域的热点研究方向之一，受到了国内外学者的广泛关注。文本情感分类的研究目标是根据人们生成的文本来分析其观点或者情感极性。随着在线评论网站的爆炸式增长， 对网络上大量附有情感的文本进行分类， 对电子商务中的决策和舆情监控等有着重要的意义。目前， 研究人员对于文本情感分类已经开展了许多研究并且取得了一定的成果。

文本情感分类是情感分析领域中的一项基本任务， 成为自然语言处理领域中 吸引人的研究任务， 针对文本情感分类有以下意义：（1） 舆情分析：准时、准确地收集群众的意见，让商家和政府能及时做出相应调整；（2） 用户的意见反馈， 用户对产品的喜好反应了产品的优劣；（3） 优化产品价格， 企业能够依据用户对产品的喜好合理的制定价格。 当前， 国内外研究人员针对文本情感分类提出的方法主要分为以下三大类：

基于情感词典的文本情感分类方法。 这类方法主要依据情感词典中包 含的短语和词汇的情感倾向及强度信息，对文本中出现过的情感词汇进行匹配， 进而计算出文本的情感极性。但是随着 Web2.0 和社交网络的发展，信息量和新兴词语剧增，对于情感词典的构建和维护面临着巨大挑战，因此，该类方法存在较大的局限性。 （2） 基于机器学习的文本情感分类方法。 这类方法通过从文本中筛选出一 组具有统计意义的特征，然后使用机器学习算法构建分类模型， 从而判断文本的情感极性。 该类方法大多数都是通过人工设计语义和语法特征， 利用从文本中提取出来的特征进行分类。但是这些模型的性能极大程度依赖于设计出来的特征的质量，需要耗费很大的人力、物力和财力，且泛化能力差。 （3） 基于深度学习的文本情感分类方法。 随着词嵌入技术和深度学习理论 的发展，基于深度学习的表示模型引起了学者们的关注，并在情感分类任务上取得了较大的进展。

目前研究人员利用深度学习的方法生成文档表示进行情感分类取得不错的效果，但是现有的模型仍然存在着一个缺点：这些模型通常仅输入文本或者单词序列，忽略了许多外部知识，未能考虑到一个单词可能在不同的语境下所表示出的不同语义信息，导致预测性能较低。

发明内容

有鉴于此，本发明的目的在于提供一种基于transD知识图嵌入的文本情感分类系统及方法，能够从外部知识库中学习更准确的同义词表示，最终获得更准确的评论情感极性。

为实现上述目的，本发明采用如下技术方案：

一种基于transD知识图嵌入的文本情感分类系统，包括文本预处理模块、融合用户信息分层注意力模块、融合产品信息分层注意力模块和情感类别预测模块；所述文本预处理模块与融合用户信息分层注意力模块、融合产品信息分层注意力模块分别连接；所述情感类别预测模块与融合用户信息分层注意力模块、融合产品信息分层注意力模块分别连接。

进一步的，所述融合用户信息分层注意力模块、融合产品信息分层注意力模块均包括词序列编码模块、词语级别注意力模块、外部知识融合模块、句子级别编码模块和句子级别注意力模块；所述词序列编码模块与词语级别注意力模块、外部知识融合模块分别连接；所述句子级别编码模块与词语级别注意力模块、外部知识融合模块和句子级别注意力模块分别连接。

一种基于transD知识图嵌入的文本情感分类方法，包括以下步骤：