[发明专利]方面级情感分析方法

说明书

本发明涉及自然语言处理的情感分析领域，具体地说，涉及细粒度情感分析方法。其方法步骤如下：首先使用BERT对文本进行向量化处理；一方面将向量化后的文本送入两个堆叠的双向LSTM进行方面词‑情感倾向联合抽取，得到方面词‑情感倾向序列，记为A；另一方面将向量化后的文本送入图卷积网络(GCN)和双向LSTM进行意见词抽取，在这一阶段，通过目标引导模块传递信息，得到意见词序列，记为B；将上一阶段得到的序列A和序列B通过枚举方式形成候选对，通过基于距离的目标词和情感词匹配算法针对每个候选对是否有效进行预测。

技术领域

本发明涉及自然与然处理的情感分析领域，具体地说，涉及细粒度情感分析方法。

背景技术

社交媒体和电商平台的快速发展，越来越多的网络用户愿意在网络发表自己对某件事情或商品的评价，这些看法中包含用户的情感信息。因此，对各大平台上带有情感倾向的言论和评价进行分析，可以带来多方面的效益，例如消费者可以根据购物网站的商品评价详细了解商品信息；企业可以通过监控社交媒体的用户评价修改营销信息、品牌定位、产品开发；股民根据评价选择是否买入股票。所以，情感分析是一种具有很大实际应用价值的文本分类技术，被广泛的应用于产品反馈、舆情监控、股市预测和电影票房预测等方面。对含有情感色彩的文本进行情感极性判断具有巨大的商业价值和社会价值，这些实际价值推动了文本情感分析的研究。

文本情感分析(Sentiment Analysis,SA)指利用自然语言处理和文本挖掘技术对带有情感色彩的主观性文本进行分析、处理和抽取的过程。通过对用户评论文本中的情感信息进行分析，可以抽取用户的情感态度。SA一般分为三个层次，文档级(document-level)、句子级(sentence-level)和方面级(aspect-level)。其中，文档级主要是对整个文本进行文本特征抽取并获得其情感倾向，句子级主要针对某个单独的句子分析其情感倾向，方面级则针对某一句子中不同的属性表达的不同的情感倾向。文档级和句子级的情感分析是较粗粒度的情感分析,情感分析的前提是假设整个文本或句子只表达了一种情感，即积极的或者消极的情感，这两类任务已经取得了非常好的效果。方面级情感分析(Aspect-based Sentiment Analysis,ABSA)是细粒度情感分析，它直接关注的是句子中每个方面的情感倾向而不只是句子的结构，有助于更好的解决SA问题。

方面级情感分析旨在捕捉用户生成的评论中对产品、电影、公司等实体的不同方面所表达的情感，在细粒度层次上解决各种情感分析任务，包括方面抽取(AspectExtraction,AE)、意见抽取(Opinion Extraction,OE)、方面情感分类(Aspect SentimentClassification,ASC)等。方面(Aspect)是一个实体的属性。例如：“The waiter isfriendly while the pizza is very bad”中，AE抽取的是“waiter”和“pizza”，ASC将它们分为积极情感和消极情感，OE抽取的是“friendly”和“bad”。三者一起完成细粒度情感分析，即所讨论的方面、对它的情感倾向，以及该情感倾向产生的原因。

发明内容

基于方面的情感分析(ABSA)是指在细粒度级别处理各种情感分析任务，包括但不限于方面提取、方面情感分类和意见提取。本发明将三个字任务结合在一起，实现对文本讨论的方面、对它的情感倾向，以及该情感倾向产生的原因。

为实现上述目的，本发明提供方面级情感分析方法，其方法步骤如下：

输入层：输入层通过Bert模型将文本进行向量化，token embedding层将每一个词转换成向量形式，segment embeddings层对句子个数进行编码，position Embeddings为每个字向量提供位置表示，Bert模型Transformer作为算法的主要框架，Transformer能更彻底的捕捉语句中上下文的词特征；