[发明专利]方面级情感分析方法

权利要求书

1.方面级情感分析方法，其方法步骤如下：

输入层：通过Bert模型将文本进行向量化，使神经网络能够识别；

方面词-情感倾向联合抽取：将向量化的文本送入两个堆叠的双向LSTM网络中进行方面词-情感词联合抽取；

意见词抽取：将向量化的文本送入GCN和双向LSTM堆叠的网络中进行意见词抽取；

方面词和意见词匹配：将上两部得到的序列通过枚举方式得到方面意见对，通过距离匹配算法进行有效性预测。

2.根据权利要求1所述的细粒度情感分析方法，其特征在于：所述输入层中使用Bert模型进行文本向量化，输入序列为：

x＝{x₁，x₂，...，x_T}。

3.根据权利要求1所述的细粒度情感分析方法，其特征在于，所述Bert模型有三个embedding对文本进行预处理：

token embedding层是要将各个词转换成固定维度的向量；

segment embeddings层对句子个数进行编码，若输入的文本只包含一个句子，那么segment embeddings均为1，如果输入的句子包含两个句子，则第一个句子标记为1，第二个句子标记为2；

position Embeddings是一个大小为(512,768)的lookup表，表的第一行是代表第一个序列的第一个位置，第二行代表序列的第二个位置，以此类推；

将x对应的token embeddings、segment embeddings和position embeddings组合成Transformer层的输入序列H₀＝{e₁,e₂,…,e_T}；

Transformer层需要12个，计算公式为：

H^l＝Transformer_l(H^l-1)；

H^l将作为方面词-情感倾向联合抽取和意见词抽取的输入。

4.根据权利要求1所述的细粒度情感分析方法，其特征在于：所述方面词-情感倾向联合抽取为序列标注问题：

序列标注的标签为：A^S＝{B-POS,I-POS,E-POS,S-POS,B-NEG,I-NEG,E-NEG,S-NEG,

B-NEU,I-NEU,E-NEU,S-NEU,O}；

下层BiLSTM^I进行边界标签预测，公式为：

上层BiLSTM^S进行方面词-情感倾向联合标注，公式为：

5.根据权利要求1所述的细粒度情感分析方法，其特征在于：所述意见词抽取使用GCN学习单词之间的依赖关系：

GCN的邻接矩阵基于句子的依赖程度构建，通过GCN可获取方面词与意见词之间的依赖关系；

将GCN的输出送入BiLSTM^OPT网络中进行上下文信息编码。

6.根据权利要求1所述的细粒度情感分析方法，其特征在于，所述方面词和意见词匹配通过距离的方法得到有效配对：

将方面词和意见词通过枚举方式两两配对；

通过方面词与意见词之间的距离编码它们之间的位置关系，得到位置索引；

将位置索引与H^l结合作为双向LSTM网络的输入，通过双向LSTM网络学习距离信息，并将其发送到softmax层进行二进制分类，得到有效配对。