[发明专利]一种基于双通道图卷积网络的方面情感分析方法

说明书

本发明涉及自然语言处理技术领域，具体涉及一种基于双通道图卷积网络的方面情感分析方法，包括：获取待分析的目标文本；将目标文本输入经过预先训练的方面情感分析模型中；首先对目标文本进行文本编码，生成文本语义表示；然后基于目标文本构建文本序列图和增强句法依赖图，并基于两种图的结构信息进行建模；再通过多层的CoGCN以相互增强的方式融合两种图的结构信息，生成文本结构表示；最后分别从文本语义表示和文本结构表示中获取句子表示，合并生成最终的特定方面句子表示；基于特定方面句子表示生成情感标签上的预测概率分布，即为目标文本的方面情感分析结果。本发明方面情感分析方法能够提升方面情感分析的准确性和全面性。

技术领域

本发明涉及自然语言处理技术领域，具体涉及一种基于双通道图卷积网络的方面情感分析方法。

背景技术

随着社交媒体和电商平台的快速发展，越来越多的网络用户愿意在网络发表自己对某件事情或商品的评价，这些看法中包含用户的情感信息。因此，对各大平台上带有情感倾向的言论和评价进行分析，可以带来多方面的效益，例如消费者可以根据购物网站的商品评价详细了解商品信息；企业可以通过监控社交媒体的用户评价修改营销信息、品牌定位、产品开发；股民根据评价选择是否买入股票。所以，情感分析是一种具有很大实际应用价值的文本分类技术，被广泛的应用于产品反馈、舆情监控、股市预测和电影票房预测等方面。

针对文本所涉及到的评价对象情感倾向性分析的问题，公开号为CN112115700A的中国专利公开了《一种基于依存句法树和深度学习的方面级情感分析方法》，其包括：对待分析的文本进行分词和嵌入训练处理，得到文本中的每个单词的词向量表达，输入到双向长短时神经网络中得到每个单词和文本的整合信息；利用文本中的所有单词构造依存句法树，利用依存句法树构造GCN图，将文本的整合信息与GCN图进行迭代处理，得到文本中的评价对象的依存句法树表示；对文本的整合信息和评价对象的依存句法树表示进行结合，对结合的结果使用CNN进行分析处理，得到文本对评价对象的情感预测结果。

上述现有方案的方面级情感分析方法通过依存句法树构造GCN图，进而利用文本的语义信息，并强调了评价对象在方面级情感分析的重要性。但是，现有基于GCN的方法通常只对一种结构信息(即句法依存结构)进行建模，而在很大程度上忽略了单词之间的其他丰富的结构信息，例如单词在一个时间窗口内的连续结构，或单词与单词之间在整个语料库上的共现结构，导致方面情感分析的全面性和准确性不好。因此，如何设计一种能够提升方面情感分析准确性和全面性的方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于双通道图卷积网络的方面情感分析方法，从而提升方面情感分析的准确性和全面性。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于双通道图卷积网络的方面情感分析方法，包括以下步骤：

S1：获取待分析的目标文本；

S2：将目标文本输入经过预先训练的方面情感分析模型中；

所述方面情感分析模型首先对目标文本进行文本编码，生成文本语义表示；然后基于目标文本构建文本序列图和增强句法依赖图，并基于两种图的结构信息进行建模；再通过多层的CoGCN以相互增强的方式融合两种图的结构信息，生成文本结构表示；最后分别从文本语义表示和文本结构表示中获取句子表示，合并生成最终的特定方面句子表示；

S3：基于特定方面句子表示生成情感标签上的预测概率分布，即为目标文本的方面情感分析结果。

优选的，通过如下步骤生成文本语义表示：

S201：将目标文本经过预训练词嵌入矩阵，得到对应的词嵌入表示矩阵；

S202：在目标文本中引入绝对距离，得到对应的位置序列；