[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

说明书

本申请公开了一种基于分段卷积神经网络的对象级情感分类方法，对待分类文本进行特征提取并对其进行上下文特征划分，得到第一上、下文特征；将其输入到预置分段卷积神经网络，使得卷积层对其分别进行卷积运算得到上、下文局部特征，分段池化层对上、下文局部特征进行最大池化操作得到上、下文池化特征，特征融合层对上、下文池化特征和注意力模块提取的注意力特征表示进行特征融合，softmax层对融合特征进行处理，输出情感分类结果，解决了现有的情感分类方法没有考虑到由对象所划分的上下文对分类效果的影响，在卷积神经网络的池化层通常采用的是最大池化操作，导致无法得到更细粒度的上下文特征，使得情感分类结果准确性不高的技术问题。

技术领域

本申请涉及情感分类技术领域，尤其涉及一种基于分段卷积神经网络的对象级情感分类方法。

背景技术

情感分类旨在挖掘出人们在文本中所表达观点情感倾向的类别，其主要集中在对篇章级别、句子级别和对象级别的情感分类任务的研究上，其中，对象级情感分类是一种相对比较细粒度的分类问题，其旨在判断出句子中对某个特定对象的情感类别，例如，“这台笔记本电脑的功能很强大，但价格太高了！”该任务需要针对对象“功能”判断出正向的情感类别，以及针对对象“价格”判断出负向的情感类别。

现有技术中通过卷积神经网络进行情感分类，没有考虑到由对象所划分出的上下文对分类效果的影响，在卷积神经网络的池化层通常采用最大池化操作提取句子级特征，无法得到更细粒度的上下文特征，使得情感分类结果准确性不高。

发明内容

本申请提供了一种基于分段卷积神经网络的对象级情感分类方法，用于解决现有的情感分类方法没有考虑到由对象所划分出的上下文对分类效果的影响，在卷积神经网络的池化层通常采用的是最大池化操作，导致无法得到更细粒度的上下文特征，使得情感分类结果准确性不高的技术问题。

有鉴于此，本申请第一方面提供了一种基于分段卷积神经网络的对象级情感分类方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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；