[发明专利]一种方面级情感分析方法、装置、电子设备及存储介质

权利要求书

1.一种方面级情感分析方法，其特征在于，所述方法包括：

获取待进行方面级情感分析的目标句子，以及该目标句子中的方面词；

基于相似结构数据集，对所述目标句子以及所述方面词进行聚合特征处理，得到所述目标句子对应的融合特征信息；其中，所述相似结构数据集是预先对第一预设数据集中各句子进行相似度计算得到的，包含具有不同相似结构的数据子集；

利用双向长短期记忆网络，对所述融合特征信息进行特征转换，得到所述目标句子对应的隐藏状态特征；

对所述目标句子以及所述方面词进行预处理，得到所述目标句子对应的依赖关系图，以及该目标句子中各个词对应的位置编码特征；其中，所述依赖关系图用于表征所述目标句子中各个词之间的依赖关系，所述位置编码特征是：根据所述目标句子中各个词对应的相对位置编码特征和绝对位置编码特征确定的；

将所述隐藏状态特征、依赖关系图以及位置编码特征，输入预先训练好的图卷积神经网络中，得到所述方面词对应的情感分析结果；其中，所述预先训练好的图卷积神经网络是根据样本句子对应的隐藏状态特征，样本句子对应的依赖关系图，样本句子中各个词对应的位置编码特征，以及样本句子中方面词对应的真值情感分析结果训练得到的，所述真值情感分析结果包括：正向结果、中性结果以及负向结果；

其中，所述对所述目标句子以及所述方面词进行预处理，得到所述目标句子对应的依赖关系图，以及该目标句子中各个词对应的位置编码特征，包括：

将所述目标句子以及所述方面词，输入预先训练的依存句法分析器中，得到所述目标句子对应的句法依存树，以及所述目标句子中各个词对应的相对位置编码特征；所述预先训练的依存句法分析器是根据第二预设数据集训练得到的；

基于所述句法依存树，生成所述目标句子对应的依赖关系图；

对所述目标句子中各个词对应的相对位置编码特征和绝对位置编码特征进行位置编码融合，得到所述目标句子中各个词对应的位置编码特征。

2.根据权利要求1所述的方法，其特征在于，所述基于相似结构数据集，对所述目标句子以及所述方面词进行聚合特征处理，得到所述目标句子对应的融合特征信息，包括：

从所述相似结构数据集中，获取与所述目标句子具有相似结构特征信息的数据子集；

将所述数据子集中各句子，与所述目标句子以及所述方面词进行聚合特征处理，得到目标句子对应的融合特征信息。

3.根据权利要求1所述的方法，其特征在于，所述将所述隐藏状态特征、依赖关系图以及位置编码特征，输入预先训练好的图卷积神经网络中，得到所述方面词对应的情感分析结果，包括：

基于所述隐藏状态特征、依赖关系图以及位置编码特征，利用所述预先训练好的图卷积神经网络的卷积层进行特征提取，得到所述目标句子对应的特征信息；

利用所述预先训练好的图卷积神经网络中的池化层，对所述目标句子对应的特征信息进行池化处理，得到第一池化特征；

利用所述预先训练好的图卷积神经网络中的全连接层，对所述第一池化特征进行概率分析，得到所述方面词对应的情感分析结果。

4.根据权利要求1-3任一所述的方法，其特征在于，所述图卷积神经网络的训练过程，包括：

构建初始图卷积神经网络模型，所述初始图卷积神经网络模型包括：卷积层，池化层和全连接层；

将样本句子对应的隐藏状态特征，样本句子对应的依赖关系图，样本句子中各个词对应的位置编码特征，输入所述图卷积神经网络的卷积层进行特征提取，得到样本句子对应的特征信息；

将所述样本句子对应的特征信息输入池化层，进行池化处理，得到第二池化特征；

将所述第二池化特征输入全连接层，得到样本句子中方面词对应的情感分析结果；

基于所述样本句子中方面词对应的情感分析结果与真值情感分析结果的差异，计算所述初始图卷积神经网络模型对应损失函数的参数值；

对所述损失函数进行最小化处理，确定所述初始图卷积神经网络模型中各模块的权重参数；

基于所述初始图卷积神经网络模型中各模块的权重参数，对所述初始图卷积神经网络模型中的参数进行更新，训练得到所述图卷积神经网络模型。