[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

说明书

本公开提供了一种基于依赖感知图卷积网络的方面级情感分类方法及系统包括：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；本公开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，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。

技术领域

本公开属于情感分类技术领域，尤其涉及一种基于依赖感知图卷积网络的方面级情感分类方法及系统。

背景技术

随着社交媒体的迅猛发展，互联网中涌现大规模带有用户主观情感的、内容短小且语义信息丰富的短文本，这些海量数据是用户意识和观点的综合呈现和重要体现，影响着网民对事物的看法态度和判断决策。具体地，网民在购物平台上选择商品时往往会先参考商品已购买者提供的评论，然后做出是否购买该商品的决定。如何准确高效地利用计算机技术从海量短文本中自动分析情感信息，这对于产品分析、话题监控、舆情监测、用户建模和观点分析等有着重要意义。情感分类是情感分析技术的核心，其任务是判断文本的情感取向。

方面级情感分类(Aspect-level Sentiment Classification，简称ASC)属于文本情感分类，ASC不同于句子级或文档级的情感分类，其旨在句子级上进行更细粒度的任务分析，为特定的方面确定其情感极性(积极、中性和消极)。例如，在餐厅的一个评论句子中“价格是可以接受的，尽管它的服务不好”，“价格”和“服务”是两个方面，它们的情感极性分别是积极和消极。也就是说，在方面级情感分类的任务中，需要根据上下文信息区分特定方面的情感极性；目前许多方法使用图卷积网络(Graph Convolution Networks，GCN)来捕捉依赖关系和不连续的上下文词来判别特定方面的情感极性。

本公开发明人发现，使用GCN来捕捉依赖关系和不连续的上下文词来判别特定方面的情感极性方法中，对GCN模型的使用仅仅是GCN将语法相关的上下文词联系到目标方面，缺乏依赖类型所包含的信息，平等地对待图中的所有词关系，不足以处理不重要的关系，对ASC的判别会有限制。

发明内容

本公开为了解决上述问题，提出了一种基于依赖感知图卷积网络的方面级情感分类方法及系统，本公开根据在依存树上依赖关系相应的依赖类型来标记边构建图，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，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本公开提供了一种基于依赖感知图卷积网络的方面级情感分类方法，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。

进一步的，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；