[发明专利]基于双向协同网络的社交媒体文本细粒度情感分析方法

说明书

本发明公开了一种基于关系感知的双向协同网络的社交媒体文本细粒度情感分析方法，用于细粒度情感分析系统中分析用户话语中的分析对象、观点、情感。步骤如下：将用户话语文本数据中的句子进行分词，将词用词向量表示；将词向量分别输入前向和后向协同网络中得到前向和后向的分析对象编码表示、前向和后向的观点编码表示、前向和后向的情感编码表示；分别将前向和后向的分析对象编码表示、观点编码表示、情感编码表示进行融合运算，输入到分类网络中，分别输出分析对象、观点、情感的标注结果；根据标注结果和真实结果，最小化交叉熵损失函数迭代训练；将待分类的社交媒体文本输入前向和后向协同网络、分类网络中得到细粒度情感分析结果。

技术领域

本发明涉及自然语言处理中的社交媒体文本细粒度情感分析技术领域，具体涉及一种基于关系感知的双向协同网络的社交媒体文本细粒度情感分析方法。

背景技术

随着互联网的发展，社交媒体作为人们彼此之间用来分享见解、经验和观点的平台，已经成为人们生活不可缺少的部分。社交媒体中涉及了大量的文本内容，很多时候，企业单位需要获取用户对某些产品服务等内容的情感评价，以帮助提升产品或服务的质量。不同于对整个句子或者文档的情感分析，细粒度情感分析是对文本中更加细粒度的属性作出情感极性的判断，该任务需要抽取出文本中情感分析的对象和描述该分析对象情感的观点词，并判断该分析对象的情感倾向。在如今互联网的迅速发展下，细粒度情感分析已经有着越来越重要的实践和应用价值。

在细粒度情感分析任务中，国内外现有的方法大多数只关注3个子任务中的一种或者两种。然而，该任务的3个子任务之间的信息可以对彼此有互相促进的作用，如一段文本中，抽取出情感分析的对象后，该信息可以进一步帮助观点词的抽取，而抽取出的观点词又可以反映出分析对象的情感偏向。反过来，在一段文本中，首先对文本做情感分析，情感分析的结果可以帮助提取出反映这些情感的观点词，对观点词的抽取又可以帮助提取出和这些观点词相关的分析对象。这种双向的子任务之间的关系信息可以帮助当前子任务得到更好的抽取或分类结果，然而，现有的方法中没有考虑到过这种双向的子任务之间的关系信息，考虑到这一点，目前亟待提出一种基于双向协同网络的社交媒体文本细粒度情感分析方法。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于关系感知的双向协同网络的社交媒体文本细粒度情感分析方法。该方法先利用前向协同网络考虑到前向的3种任务之间的关系信息，然后利用后向协同网络考虑到后向的3种任务之间的关系信息，接着融合多前向和后向的不同任务间的关系信息，得到最终的分析对象、观点和情感的标注结果。

本发明的目的可以通过采取如下技术方案达到：

一种基于双向协同网络的社交媒体文本细粒度情感分析方法，所述分析方法包括以下步骤：

S1、将用户话语文本数据中的每个句子切分为词w＝(w₁，w₂，...，w_i，...，w_N)，将词用词向量表示，其中w是词序列，E_w是词向量序列，w_i是第i个词，是第i个词的词向量，1≤i≤N，N为词的个数，emb为词向量维度大小，为维度为emb的实数向量空间；

S2、将词向量分别输入前向协同网络和后向协同网络中得到前向和后向的分析对象编码表示和前向和后向的观点编码表示和前向和后向的情感编码表示和其中是第i个词的前向分析对象编码表示，是第i个词的后向分析对象编码表示，是第i个词的前向观点编码表示，是第i个词的后向观点编码表示，是第i个词的前向情感编码表示，是第i个词的后向情感编码表示，1≤i≤N，d为前向和后向分析对象、观点和情感编码表示的维度大小，为维度为d的实数向量空间；