[发明专利]一种基于分段卷积神经网络的对象级情感分类方法

权利要求书

1.一种基于分段卷积神经网络的对象级情感分类方法，其特征在于，包括：

对获取的待分类文本进行特征提取，基于第一目标对象在所述待分类文本的句子中的位置对提取的特征进行上下文特征划分，得到第一上文特征和第一下文特征；

将所述第一上文特征和所述第一下文特征输入到预置分段卷积神经网络，使得所述预置分段卷积神经网络中的卷积层对所述第一上文特征和所述第一下文特征分别进行卷积运算得到上文局部特征和下文局部特征，分段池化层对所述上文局部特征和所述下文局部特征分别进行最大池化操作得到上文池化特征和下文池化特征，注意力模块通过计算得到每个词的注意力得分得到注意力特征表示，特征融合层对所述上文池化特征、所述下文池化特征和所述注意力特征表示进行特征融合得到融合特征，softmax层对融合特征进行处理，输出所述待分类文本中所述第一目标对象的情感分类结果，其中，所述注意力特征表示包括上文注意力特征表示和下文注意力特征表示；

所述对获取的待分类文本进行特征提取，包括：

对获取的待分类文本进行词嵌入特征提取；

所述对获取的待分类文本进行特征提取，还包括：

对获取的待分类文本进行辅助特征提取，所述辅助特征包括情感得分特征、词性特征或位置特征；

对获取的待分类文本进行位置特征提取，包括：

基于位置重排算法对获取的待分类文本中各个词的位置进行重新排序；

对排序后的所述待分类文本进行位置特征提取；

所述基于位置重排算法对获取的待分类文本中各个词的位置进行重新排序，包括：

提取获取的待分类文本中各个词与所述第一目标对象的相对位置值，得到第一位置特征向量；

基于第一位置特征向量和情感得分特征向量计算各个词的位置得分，得到位置得分向量，其中，所述情感得分特征向量基于情感词典计算所述待分类文本中的各个词的情感得分特征值得到；

基于所述位置得分向量和所述第一位置特征向量计算排序后各个词与所述第一目标对象的相对位置值，得到第二位置特征向量；

所述位置得分的计算公式为：

；

其中，为第i个词的位置得分，、分别为第i、j个词与第一目标对象的相对位置值，、分别为第i、j个词的情感得分特征值，n为词数量；

所述排序后各个词与所述第一目标对象的相对位置值的计算公式为：

；

其中，为排序后第i个词与第一目标对象的相对位置值，为排序前第i个词与第一目标对象的相对位置值，为输出在所有位置得分中排在第几位的函数，为第i个词的位置得分，为位置得分向量，当小于0时，输出-1，当等于0时，输出0，当大于0时，输出1。

2.根据权利要求1所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，所述基于第一目标对象在所述待分类文本的句子中的位置对提取的特征进行上下文特征划分，得到第一上文特征和第一下文特征，包括：

基于第一目标对象在所述待分类文本的句子中的位置对提取的所述词嵌入特征和所述辅助特征分别进行上下文特征划分，得到词嵌入上文特征、词嵌入下文特征、辅助上文特征和辅助下文特征；

将所述词嵌入上文特征和所述辅助上文特征进行特征融合得到第一上文特征，将所述词嵌入下文特征和所述辅助下文特征进行特征融合得到第一下文特征。

3.根据权利要求2所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，所述注意力模块通过计算得到每个词的注意力得分得到注意力特征表示，包括：

所述注意力模块分别计算所述词嵌入上文特征和所述词嵌入下文特征中对应的各个词的注意力得分，得到上文注意力得分和下文注意力得分；

所述注意力模块基于所述上文注意力得分对所述词嵌入上文特征进行加权求和，得到新词嵌入上文特征；

所述注意力模块基于所述下文注意力得分对所述词嵌入下文特征进行加权求和，得到新词嵌入下文特征；

所述注意力模块对所述新词嵌入上文特征和所述新词嵌入下文特征分别进行卷积操作后，再分别进行非线性变换，得到所述上文注意力特征表示和所述下文注意力特征表示。

4.根据权利要求1所述的基于分段卷积神经网络的对象级情感分类方法，其特征在于，所述将所述第一上文特征和所述第一下文特征输入到预置分段卷积神经网络，之前还包括：

对获取的待训练文本进行特征提取，基于第二目标对象在所述待训练文本的句子中的位置对提取的特征进行上下文特征划分，得到第二上文特征和第二下文特征；

将所述第二上文特征和所述第二下文特征输入到构建的分段卷积神经网络，对所述分段卷积神经网络进行训练，得到训练好的所述分段卷积神经网络，将训练好的所述分段卷积神经网络作为所述预置分段卷积神经网络。