[发明专利]一种多任务学习的双目标实体情感分析方法

说明书

本发明公开了一种多任务学习的双目标实体情感分析方法，通过句子语境分断符识别与左右实体情感极性分类的多任务学习，联合训练一个具有句子语境分断符自动识别与双目标实体情感极性自动分类的神经网络模型。其次，使用所训练的神经网络模型识别情感句子中的语境分断符。再者，以得到的语境分断符对情感句子的语义表示进行分离，得到左子句语义表示和右子句语义表示，然后分别对左子句语义表示和右子句语义表示进行情感分析，最终得到双目标实体的情感极性。通过语境分断符使得情感句子中两个目标实体的情感表达相互分离，以更有效的方法解决方面级情感分析问题。

技术领域

本发明涉及自然语言理解中的方面级情感分析，具体是一种多任务学习的双目标实体情感分析方法，可广泛应用于各个领域的方面级情感分析任务中。

背景技术

方面级情感分类的目的是预测多个目标实体在句子或者文档中的极性，它是一项细粒度情感分析的任务，与传统的情感分析任务不同，它是在目标实体上做极性分析(一般为积极、消极、中性三个分类)。方面级情感分类常用在评论人的评论句子中，如：商场购物评论、餐饮评论、电影评论等。方面级情感分类，通常在一个句子中有两个方面词及其相关的情感取向，例如句子Prices are higher to dine but their food is quite good，对于目标实体“Prices”它是消极的，但对于目标实体“food”它是积极的。

随着人工神经网络技术的不断发展，各种神经网络如Long Short-Term Memory(LSTM)、Deep Memory Network和Google AI Language提出的Bidirectional EncoderRepresentations from Transformers(BERT)语言模型被应用于方面极性分类，从而为其提供端到端的分类方法，而无需任何特征工程工作。然而，当句子中有多个目标实体时，方面极性分类任务需要区分不同方面的情绪。因此，与只有一个整体情感取向的文档级情感分析相比，方面极性分类任务更加复杂，面临的主要挑战是：在对不同目标实体进行情感分析时，如何突出与其相关的情感表达而抑制与它不相关的情感表达。为了实现这一目标，目前针对方面极性分类的深度学习方法提出了多种以方面为中心的情感语义学习方法，例如：基于注意力的语义学习、位置衰减、左右语义学习、方面连接与全局语义学习等，但每种方法都存在一定程度的不相关情感表达的影响。为彻底解决多目标情感分析中不相关情感表达的影响，本发明提出一种多任务学习的双目标实体情感分析方法，通过语境分断符使得情感句子中两个目标实体的情感表达相互分离。

发明内容

本发明公开了一种多任务学习的双目标实体情感分析方法，通过句子语境分断符识别与左右实体情感极性分类的多任务学习，联合训练一个具有句子语境分断符自动识别与双目标实体情感极性自动分类的神经网络模型，以更有效的方法解决方面级情感分析问题。

为实现上述目的，本发明的技术方案为：

一种多任务学习的双目标实体情感分析方法，其特征在于包括以下步骤：

S1.通过句子语境分断符识别与左右实体情感极性分类的多任务学习，联合训练一个具有句子语境分断符自动识别与双目标实体情感极性自动分类的神经网络模型；

S2.使用步骤S1所训练的神经网络模型识别情感句子中的语境分断符；

S3.在步骤S1所训练的神经网络模型中，以步骤S2得到的语境分断符所对应的位置对情感句子的语义表示进行分离，得到左子句语义表示和右子句语义表示，然后分别对左子句语义表示和右子句语义表示进行情感分析，最终得到双目标实体的情感极性；

所述情感句子是指包含左、右两个目标实体的多情感表达句子；

所述语境分断符是指在情感句子中位于左右两个目标实体之间、使得两个目标实体的情感表达相互分离的字词；