[发明专利]基于图卷积网络和选择注意力的方面级情感分析方法及系统

权利要求书

1.一种基于图卷积网络和选择注意力的方面级情感分析方法，其特征在于，包括：

获取待分析的文本，并将其转化为词向量嵌入表示；

利用双向LSTM对所述词向量嵌入表示进行特征提取，得到词向量嵌入的初始上下文表示；

将所述初始上下文表示输入图卷积网络获得文本的图特征表示；基于预训练的选择注意力模型对所述图特征表示进行特征提取，并对获得的特征进行mask操作得到新的上下文表示；

将所述初始上下文表示与新的上下文表示进行拼接，将拼接后的向量输入预训练的情感分类器，获得情感分类结果。

2.如权利要求1所述的一种基于图卷积网络和选择注意力的方面级情感分析方法，其特征在于，所述利用双向LSTM提取所述词嵌入向量的隐藏状态向量，具体为：使用双向LSTM作为上下文编辑器，将文本的词向量嵌入矩阵输入双向LSTM，获得隐藏状态向量，作为词向量嵌入矩阵的初始上下文表示。

3.如权利要求1所述的一种基于图卷积网络和选择注意力的方面级情感分析方法，其特征在于，所述将所述初始上下文表示输入图卷积网络获得文本的图特征表示，具体为：将所述初始上下文表示输入一层GCN中，利用GCN捕捉方面词节点及其相邻节点间的语法关系，输出所述图特征矩阵。

4.如权利要求1所述的一种基于图卷积网络和选择注意力的方面级情感分析方法，其特征在于，所述选择注意力模型包括顺序连接的多头自注意力层、top-k选择层及GCN层，其中，所述多头自注意力层用于关系提取获得注意力得分矩阵，所述top-k层用于对所述注意力得分矩阵进行稀疏处理获得其系数表示，所述GCN层用于获得更新的节点特征向量。

5.如权利要求1所述的一种基于图卷积网络和选择注意力的方面级情感分析方法，其特征在于，所述对获得的特征进行mask操作得到新的上下文表示，具体为：将获得的节点特征向量中除方面词之外的上下文词置零。

6.如权利要求1所述的一种基于图卷积网络和选择注意力的方面级情感分析方法，其特征在于，所述获取待分析的文本，并将其转化为，具体为：采用GloVe嵌入方式将待分析的文本进行词嵌入训练，将文本转化为词嵌入向量表示。

7.如权利要求1所述的一种基于图卷积网络和选择注意力的方面级情感分析方法，其特征在于，所述情感分类器包括全连接层和softmax层。

8.一种基于图卷积网络和选择注意力的方面级情感分析系统，其特征在于，包括：

数据预处理单元，其用于获取待分析的文本，并将其转化为词向量嵌入表示；

特征提取单元，其用于利用双向LSTM对所述词向量嵌入表示进行特征提取，得到词向量嵌入的初始上下文表示；将所述初始上下文表示输入图卷积网络获得文本的图特征表示；基于预训练的选择注意力模型对所述图特征表示进行特征提取，并对获得的特征进行mask操作得到新的上下文表示；

特征拼接单元，其用于将所述初始上下文表示与新的上下文表示进行拼接；

情感预测单元，其用于将拼接后的向量输入预训练的情感分类器，获得情感分类结果。

9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于图卷积网络和选择注意力的方面级情感分析方法。

10.一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于图卷积网络和选择注意力的方面级情感分析方法。