[发明专利]基于依赖感知图卷积网络的方面级情感分类方法及系统

权利要求书

1.一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，包括：

获取文本信息：

依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；

其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。

2.如权利要求1所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，所述方面级情感分类模型的训练过程为：

获取待分析的文本，将待分析的文本进行词嵌入训练处理，将文本转化为词嵌入向量；

将所述词嵌入向量转化为上下文表示；

将所述上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用；

将经过多头注意力层处理后的上下文表示输入依赖感知的图卷积网络进行学习。

3.如权利要求2所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，依赖感知的图卷积网络的学习包括：将经过多头注意力层处理后的上下文隐藏状态向量输入图神经网络，用图神经网络来捕捉方面词节点以及其相邻的节点之间的语法关系，节点的特征通过图神经网络层传递，每个节点的表示由依存树的语法信息丰富；在图神经网络中增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。

4.如权利要求2所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，情感分类结果的预测包括：

将依赖感知的图卷积网络得到的输出馈入多个融合结构化注意力的条件随机场，捕捉意见特征，得到新的上下文表示，连接所有条件随机场的句子得到输出表示；

将输出表示传送给情感分类器，得到最终的情感极性预测结果。

5.如权利要求4所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，输出表示传送给情感分类器后，其首先被嵌入完全连接层，然后是归一化层，获得情感极性的分布，得到最终的情感极性预测结果。

6.如权利要求4所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，加入潜在标签，表示上下文词是否影响特定方面的情感极性，把标签上的边际概率设置为当前上下文词对方面词情感极性的影响；利用前向-后向算法计算潜在标签的边缘分布，得到句子表示。

7.如权利要求4所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，将所述词嵌入向量转化为上下文表示时，使用双向长短期记忆网络隐藏状态向量得到词嵌入的上下文表示。

8.基于依赖感知图卷积网络的方面级情感分类系统，其特征在于，包括采集模块和分类模块；

所述采集模块，被配置为：获取文本信息：

所述分类模块，被配置为：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；

其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。

9.一种计算机可读存储介质，其上存储有计算机程序，用于指纹图谱相似度计算，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理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了如权利要求1-7任一项所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。