[发明专利]基于LC-GCN方面级情感分析方法、系统、存储介质和电子设备

说明书

本发明提供一种基于LC‑GCN方面级情感分析方法、系统、存储介质和电子设备，涉及方面级情感分析技术领域。本发明提出的上下文动态赋权方法，增强了特征提取过程对局部上下文的关注度；构建了融合了上下文句法特征和局部上下文语义信息的邻接图；采用多层图卷积网络(GCN)的方式不断提取聚焦于局部上下文的方面词特征，保证方面词特征矩阵融合局部上下文信息，实现更加准确地挖掘评论文本的各方面情感。

技术领域

本发明涉及方面级情感分析技术领域，具体涉及一种基于LC-GCN方面级情感分析方法、系统、存储介质和电子设备。

背景技术

随着互联网技术和社交媒体的不断发展，由互联网用户产生的关于产品、服务或事件的评论数据迅速增长。如何利用自然语言处理(Natural Language Processing,NLP)技术从评论文本中挖掘有价值的信息，例如情感分析任务，已成为当前研究热点且受到众多研究人员的高度关注。

情感分析任务除了分析整体评论情感外，其子任务可进一步挖掘评论文本中评论者关于一个或多个方面的情感极性，因此方面级情感分析成为NLP领域重要研究方向之一。方面级情感分析可细粒度地挖掘评论文本中某一方面的情感极性，例如评论语句“Goodfood but dreadful service at that restaurant”，传统情感分析仅从整体上分析其情感极性为中性，而方面级情感分析可分析出用户对于“food”和“service”两方面分别表现为积极和消极的情绪。可见方面级情感分析可从评论文本中分析评论者对于不同方面的喜好程度，该研究任务挖掘的信息受益于产品推荐、股票预测和舆情分析等实际应用领域。

目前，在方面级情感分析任务中，由于基于卷积神经网络(CNN)可提取局部信息，以及循环神经网络(RNN)可提取长距离信息，因此两种深度学习知识常被用于提取上下文特征信息。常用的分析手段还包括注意力机制和句法依存解析技术。其中，注意力机制可用于关联上下文和方面词信息，实现将方面词信息融入上下文特征的效果。而句法依存解析技术可用于解析上下文中各词之间存在的句法依存结构。此外，有研究表明上下文中方面词的情感特征取决于其周围单词特征信息，因此还提出局部上下文(Local Context,LC)的概念。

但是，现有方面级情感分析技术进行特征提取时，存在忽略上下文各词间存在的句法关系和未能针对性地提取上下文语义信息两方面问题，可能提取部分与方面词无关的噪声信息，导致无法准确挖掘评论文本的各方面情感。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于LC-GCN方面级情感分析方法、系统、存储介质和电子设备，解决了现有方面级情感分析技术未能针对性地提取上下文的句法关系和语义信息的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于LC-GCN方面级情感分析方法，包括：

根据待分析的评论上下文，获取词嵌入矩阵，所述评论上下文中至少包括一个方面词；

根据所述词嵌入矩阵，获取融合了上下文语义的隐藏特征向量；

根据所述方面词在评论上下文中的局部上下文，获取动态上下文权重矩阵和局部上下文加权邻接图；

根据所述隐藏特征向量、动态上下文权重矩阵和局部上下文加权邻接图，采用多层GCN网络获取聚焦于局部上下文信息的方面词特征矩阵，并标记所述方面词特征矩阵；

根据标记后的方面词特征矩阵，获取所述方面词对应的情感极性。

优选的，所述根据所述方面词在评论上下文中的局部上下文，获取动态上下文权重矩阵，具体包括：