[发明专利]一种基于超图池化的文本情感分类方法

说明书

本发明公开了基于超图池化的文本情感分类方法，将文本数据转化为文本超图，然后输入到超图模型中；超图模型设置有三个模块，每个模块均分为卷积层、池化层和读出层，且前一个模块输出的超图数据输入到后一个模块继续计算；超图卷积层通过超图卷积更新节点特征；超图池化层通过多层感知器线性变换得到节点重要度评分，并通过PageRank算法得到超边重要度评分，然后根据综合得分过滤节点；超图读出层读取每个维度节点特征的最大值和平均值，并进行求和；最后，将三个模块的读出层数值求和得到最终的文本超图特征表示，然后送入线性层进行文本情感分类。本发明采用上述文本情感分类方法，能够得到准确的文本情感信息，在情感分类任务中得到良好的表现效果。

技术领域

本发明涉及深度学习技术领域，尤其是涉及一种基于超图池化的文本情感分类方法。

背景技术

近年来，基于图的深度学习方法受到了研究人员的广泛关注，图神经网络方法也在诸多任务上取得了良好的成绩。在文本情感分类任务中，也有人提出了将文本建模成图结构，然后应用图神经网络的方法实现情感分类。该类方法往往是以单词为节点，将一个句子内的单词两两相连，容易因边数过多消耗巨大内存。还有些研究设定了滑动窗口，将窗口内的单词两两相连，减少了内存消耗，但这样又会割裂句子本身的结构，使得情感信息不准确。

随着超图概念的提出，文本表示有了新的突破。超图由一个节点集和一个超边集组成。其中，每一个超边包含两个及以上的节点，使得超图更适合于表示非两两关系的数据结构。在超图中，仍然以单词为节点，把每个自然句视为一条超边，进而将一个文本用一个超图来进行表达。

传统的图卷积神经网络方法基于图的拉普拉斯矩阵实现卷积运算，该方法并不能直接迁移到超图结构中。最近，超图神经网络(Hypergraph Neural Network，HGNN)使用超图结构进行表示学习，该模型重新定义了在超图上的拉普拉斯矩阵，通过节点和超边卷积运算分别进行特征聚合，进而更好地利用高阶数据相关性学习节点嵌入，在引文网络和视觉对象等超图节点分类任务上取得了良好的效果。此外，还有很多关于超图的研究工作，如动态超图结构学习(Dynamic Hypergraph Structure Learning，DHSL)研究了基于普通图实现的超图结构的构建与动态更新学习；动态超图神经网络框架(Dynamic HypergraphNeural Networks，DHGNN)在每一层上动态地更新超图结构，结合超图卷积运算，对高阶数据关系进行编码。

然而，这些超图神经网络技术都是基于节点维度的研究。在情感分类任务中，若将文本数据建模成超图，本质上只是对文本中所有单词的特征进行一个更新，对于文本超图的特征往往是所有节点特征的简单聚合，这样基于所有单词去分析文本情感的操作，既不利于文本情感的判断，在长文本中又造成数据庞大的问题。因此，目前在情感分类任务中，并没有一种合理有效的方法可以对整个文本超图进行特征表示。

发明内容

为解决上述问题，本发明在超图池化过程中引入评分环节，以对节点进行筛选，在提高分析效率的同时，更准确的找到文本的高阶信息，提高文本超图的情感分类准确度。

为实现上述目的，本发明提出了如下技术方案：

一种基于超图池化的文本情感分类方法，包括：

S1、超图构建；确定文本数据的单词节点和超边，利用独热向量编码的方式得到单词节点的初始特征矩阵，并确定单词节点与超边的关联矩阵；

S2、超图卷积；对超图的初始特征矩阵和关联矩阵执行卷积操作，从而得到单词节点的更新特征矩阵，即超图的高阶信息；

S3、超图池化；对更新特征矩阵执行池化操作，以确定节点评分；采用节点选择机制保留排名最高的若干个单词节点，并更新超图的特征矩阵和关联矩阵；

S4、超图读出；提取特征矩阵中单词节点在每一特征维度的最大值和平均值的和，来表示池化超图在该维度的特征信息；