[发明专利]基于图卷积网络的社交网络文本情感细粒度分类方法

权利要求书

1.一种基于图卷积网络的社交网络文本情感细粒度分类方法，其特征在于：包括以下步骤：

步骤1：对给定的社交网络文本进行预处理，清除文本中不必要内容，对语句进行划分转化；

步骤1.1：给定社交网络文本，清除文本中所有与情感表达无关的内容；

步骤1.2：将步骤1.1的结果，采用分词工具实现汉语句子切分，将句子切成词；

步骤1.3：使用LTP Python获得每个社交网络文本的依赖解析树；

步骤1.4：将预处理后的每个社交网络文本标记为X＝{x₁,x₂,……,x_n}，其中的x_i∈R³⁰⁰是嵌入向量，代表一个单词；

步骤2：将BI-LSTM神经网络算法应用于进行预处理之后的社交网络文本词序列后，可以得到前向和后向矢量序列，将这两个向量连接起来得到单词序列的基本表示；

所述BI-LSTM神经网络算法的输出向量和依赖解析树将作为GCN网络的输入；

步骤3：建立GCN神经网络，在边集中增加自环和对边，根据步骤1生成的依赖解析树，为每个社交网络文本创建稀疏邻接矩阵；

步骤4：用基于百分位数的池化方法表示元素升序排序集合后的最低p％的值，将向量Z的第p个百分位数表示为一个函数f_p(Z)，其中p值的范围为0-100；

步骤5：使用正交化约束来控制梯度的消失和爆炸问题，在损失函数中添加一个正则化项，loss＝loss(y,f_w(x))+λ∑_i‖W_i^TW_i-I‖²,其中λ是惩罚系数，W_i是权重矩阵，I是单位矩阵，在LSTM和GCN神经网络中使用正交矩阵来初始化权值矩阵，在随机初始化的矩阵M上使用奇异值分解SVD，得到M＝USV^T，其中U和V是正交矩阵，S是对角谱矩阵，U或V用于初始化权重矩阵W_i，即W:＝U；

步骤6：通过softmax函数得到情感类型对应的概率，将待检测的数据集划分为训练集以及测试集，使用训练集对基于GCN的神经网络模型进行训练，并将测试集输入至训练完成的基于GCN的神经网络模型，得到输出结果，即得到文本的细粒度情感分类。

2.根据权利要求1所述的基于图卷积网络的社交网络文本情感细粒度分类方法，其特征在于：所述步骤3的具体步骤为：

步骤3.1：对于每个社交网络文本，建立一个图G＝(V，E)，其中V是由一个社交网络文本的所有单词组成的顶点集，E是包含两个单词之间所有依赖关系的边集；

步骤3.2：在边集中增加自环和对边，数字“0”、“1”、“2”、“3”分别用于标记无关系、自循环关系、从头到尾和从尾到头的依赖关系类型，根据步骤1生成的依赖解析树为每个社交网络文本创建稀疏邻接矩阵；

步骤3.3：GCN网络用h_v＝ReLU(∑_u∈N(v)W x_u+b),表示；其中，ReLU为线性整流函数，W是矩阵权重，b是偏置量，N(v)表示v的邻接词集，x_u＝L＝{l₁,l₂,…,l_n}，代表输入特征；如果邻接矩阵中的元素不是“0”，则将它们视为相邻。