[发明专利]一种方面级文本情感分类方法及系统

说明书

本发明公开了一种方面级文本情感分类方法及系统，包括：根据获取的句子文本的局部特征向量提取句子文本的长距离依赖特征，得到句子文本的上下文特征表示；根据句子文本的上下文特征表示构建句子文本中单词间的句法依赖关系，得到句子文本的方面级特征表示；构建基于依存树的图注意力神经网络，根据句子文本的方面级特征表示得到文本的方面级情感类别。采用卷积神经网络提取句子中的局部特征信息，利用双向长短时记忆网络学习卷积神经网络池化后的特征，获取句子的上下文信息，构建基于依存树的图注意力网络模型，利用依存树的句法信息对句子依赖关系进行建模，提高情感分类的性能。

技术领域

本发明涉及自然语言处理和深度学习技术领域，特别是涉及一种方面级文本情感分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

情感分析是自然语言处理中最活跃的研究领域之一，是文本挖掘中的一项重要任务，又称为意见挖掘。大多数情感分析工作是篇章级和句子级的，由于一个单词在不同的环境中表达的情感可能相反，因此采用方面级的情感分析。

方面级的情感分析是情感分类领域的细粒度任务，其目标是在给定意见句子和评价方面的基础上，结合句子的上下文，预测给定文本中出现的方面的情感极性，在自然语言处理领域，方面级的情感分析可以进一步用于推荐系统和自动问答；传统的方法主要是基于特征的支持向量机(SVM)，但是这些方法需要人工设计特征，神经网络具有学习连续文本特征的能力，能够通过多个隐藏层生成新的表示。

随着深度学习的普及和计算机硬件设备的完善，标记数据逐渐庞大，深度学习模型已经取代很多解决自然语言处理的经典技术，基于深度学习模型已经在各种任务中获得最先进的性能，包括情感分析、机器翻译和命名实体识别，以及在图像计算机视觉中的分类、图像生成、图像分割和无监督特征学习等。

近年来，在方面级情感分析的任务中，深度学习方法比基于特征的方法具有更好的可扩展性。基于递归神经网络的框架采用语义组合函数，能够处理情感分析中的复杂组合性；注意力机制的结合让神经网络模型高度关注特定目标的特征信息，辨别句子中单词对特定方面的重要性，该方法已经广泛运用到方面级的情感分析中，如Song等人提出一种注意力编码网络，采用基于注意力的编码器建立上下文和目标之间的模型；Chen等人提出用于识别评论中观点目标情感的神经网络模型，采用多注意力机制捕获间隔很远的情感特征，对无关信息具有更强的鲁棒性。

但是，发明人发现，虽然基于注意力的模型在很多任务中已经取得了良好的实验效果，但是它们不足以捕捉上下文单词和句子中的方面之间的句法依赖性，注意力模块可能会因为语法的缺失而突出一些无关的词，会丢失掉一些有价值的重要信息，因此在解决方面级的情感分析中多个单词之间的依存关系问题上存在明显的局限性。

发明内容

为了解决上述问题，本发明提出了一种方面级文本情感分类方法及系统，采用卷积神经网络提取句子中的局部特征信息，利用双向长短时记忆网络学习卷积神经网络池化后的特征，获取句子的上下文信息，构建基于依存树的图注意力网络模型，利用依存树的句法信息对句子依赖关系进行建模，提高情感分类的性能。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种方面级文本情感分类方法，包括：

根据获取的句子文本的局部特征向量提取句子文本的长距离依赖特征，得到句子文本的上下文特征表示；

根据句子文本的上下文特征表示构建句子文本中单词间的句法依赖关系，得到句子文本的方面级特征表示；

构建基于依存树的图注意力神经网络，根据句子文本的方面级特征表示得到文本的方面级情感类别。

第二方面，本发明提供一种方面级文本情感分类系统，包括：