[发明专利]方面级情感分析方法、装置、电子设备及存储介质

说明书

本发明涉及一种方面级情感分析方法：获取待分析的目标文本及目标方面词；对目标文本中的第i个词进行掩码标记后，输入预训练语言模型获取第一向量表示；对目标文本中的第i个词和第j个词共同掩码标记后，输入预训练语言模型获取第二向量表示；根据第一向量表示和第二向量表示计算第i个词与第j个词间的影响值，根据每两个词间的影响值构建影响矩阵；从影响矩阵中提取依赖树；根据依赖树和目标方面词获得局部上下文特征；将目标文本和目标方面词输入词嵌入模型，得到全局词嵌入向量；将全局词嵌入向量和局部上下文特征融合，得到融合特征；根据融合特征进行预测，得到目标方面词在目标文本中的极性。提高了对目标方面词的极性预测的准确度。

技术领域

本发明涉及方面级情感分析技术领域，尤其是涉及一种方面级情感分析方法、装置、电子设备及存储介质。

背景技术

随着信息技术和互联网的快速发展，互联网用户从信息的被动接收者转变为主动提供者，网上产生了大量关于事件、商品、服务等有价值的评论信息，表达了互联网用户的情感倾向和观点意见。网络信息的迅速膨胀，对信息的收集、处理和分析提出更高要求，也促进了情感分析这一研究方向的发展。

其中，方面级情感分析(Aspect-based sentiment analysis,ABSA)是一种细粒度的情感分析任务，旨在从文本中挖掘指定方面词的情感极性，比如，在某生活APP的用户评论中，对于其中的一个句子(如：今天的电影很好看)和一个指定的方面词(如：电影)，通过方面级情感分析得出该方面词的情感极性是正向的。相较于篇章或句子级情感分类，方面级情感分析可以提供更加全面深入的分析。

在现有的方面级情感分析方法中，包括步骤：获取待分析的目标文本以及该目标文本中的方面词；根据该目标文本通过传统开源工具生成依赖树；从依赖树中提取方面词到与方面词具有依赖关系的字词的路径长度，并根据该路径长度来确定局部上下文范围和依赖关系集群；对依赖关系集群进行注意力计算，确定局部上下文范围内的语义信息；根据局部上下文范围内的语义信息和全局上下文信息进行预测，确定方面词于目标文本中的情感极性。

然而，这种方面级情感分析方法生成的依赖树准确性并不高，导致在后续步骤中存在误差传播的问题，影响了最终预测结果的准确率。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种方面级情感分析方法，能够提高词与词之间的影响关系的准确性，减少误差传播，从而提高方面级情感分析的准确性。

本发明是通过以下技术方案实现的：一种方面级情感分析方法，包括步骤：

获取待分析的目标文本及目标方面词；

对所述目标文本中的第i个词进行掩码标记后，将所述目标文本输入预训练语言模型获取第i个词的第一向量表示；对所述目标文本中的第i个词和第j个词共同进行掩码标记后，将所述目标文本输入预训练语言模型获取第i个词的第二向量表示；根据所述第一向量表示和所述第二向量表示计算第i个词与第j个词间的影响值，根据所述目标文本中每两个词间的所述影响值构建影响矩阵；从所述影响矩阵中提取依赖树；根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征；

将所述目标文本和所述目标方面词共同输入词嵌入模型，得到全局词嵌入向量；

将所述全局词嵌入向量和所述局部上下文特征进行特征融合，得到融合特征；

根据所述融合特征进行预测，得到所述目标方面词在所述目标文本中的极性。

相对于现有技术，本发明提供一种方面级情感分析方法通过目标文本中词间距离构成的影响矩阵生成依赖树，能够获得准确的词间关系，通过此依赖树获得的动态阈值来确定局部上下文特征的局部范围，能够得到更有效的局部语义信息，从而提高了对目标方面词的极性预测的准确度。

进一步地，根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征，包括步骤：