[发明专利]分析语义情感的方法、装置、设备及存储介质

说明书

本申请涉及人工智能中的智能决策领域，揭示了分析语义情感的方法，包括：获取待分析语句中每个单词分别对应的重要性度量值；根据待分析语句中每个单词分别对应的重要性度量值，通过两个并行运行的循环神经网络模型，得到待分析语句对应的隐式表达式；将待分析语句对应的隐式表达式以及待分析语句对应的句子标签，输入语义情感分析分类器；接收语义情感分析分类器对待分析语句的情感分析分类结果。通过引入自注意力机制，将句中每个单词的重要性通过重要性度量值进行量化，然后根据重要单词所处位置，获取当前单词在整个句子中的含义，从而使得最终输出的整个句子的隐藏状态中，融合了句中每个单词及其相应的重要性度量值。

技术领域

本申请涉及人工智能中的智能决策领域，特别是涉及到分析语义情感的方法、装置、设备及存储介质。

背景技术

最早期采用的构词模型是词袋模型，词袋模型将句子视为单词的简单集合，通过简单的向量运算将其合并为一句完整的话。随着深度学习的发展，神经网络的应用越来越普及，通过循环神经网络RNN作为一种顺序模型将文本视为单词序列，可以有效地捕捉时序变量间的关系，但顺序模型无法区分句子结构中的语法关系，无法判定句子中每个单词的重要性，不利于理解整句话的重点，故不能识别由于单词或短语的语义角色改变而引起的句子含义的差异，导致无法捕获自然语言中常见单词之间的非线性依赖性，得到语句情感特征。

发明内容

本申请的主要目的为提供分析语义情感的，旨在解决无法捕获自然语言中常见单词之间的非线性依赖性，得到语句情感特征的技术问题。

本申请提出一种分析语义情感的方法，包括：

获取待分析语句中每个单词分别对应的重要性度量值；

根据所述待分析语句中每个单词分别对应的重要性度量值，通过两个并行运行的循环神经网络模型，得到所述待分析语句对应的隐式表达式，其中，所述隐式表达式融合了上下文的语义依赖关系；

将所述待分析语句对应的隐式表达式以及所述待分析语句对应的预设句子标签，输入语义情感分析分类器；

接收所述语义情感分析分类器对所述待分析语句的情感分析分类结果。

优选地，所述根据所述待分析语句中每个单词分别对应的重要性度量值，通过两个并行运行的循环神经网络模型，得到所述待分析语句对应的隐式表达式的步骤，包括：

按照所述待分析语句中每个单词分别对应的重要性度量值，将所述待分析语句拆分成树状结构，其中，所述树状结构包括叶子节点、子节点和根节点；

将第一叶子节点包含的分句，按照所述待分析语句的正向排序输入第一循环神经网络，将第二叶子节点包含的分句，按照所述待分析语句的逆向排序输入第二循环神经网络，其中，所述第一叶子节点和所述第二叶子节点为同属于任意一个指定子节点的一对叶子节点；

将所述第一循环神经网络输出的正向隐藏向量，乘以所述第二循环神经网络输出的逆向隐藏向量，得到所述指定子节点的矢量表达；

根据所述指定子节点的矢量表达，按照所述树状结构，依次递归计算至第一单词对应的根节点的矢量表达，其中，所述第一单词为重要性度量值最大时对应的单词；

将所述第一单词对应的根节点的矢量表达，作为所述待分析语句的隐式表达式。

优选地，所述按照所述待分析语句中每个单词分别对应的重要性度量值，将所述待分析语句拆分成树状结构的步骤，包括：

按照所述待分析语句中每个单词分别对应的重要性度量值，确定所述待分析语句中重要性度量值最大的第一单词；

以所述第一单词为分界点，将所述待分析语句拆分成第一子句和第二子句，其中，所述第一单词作为所述树状结构的根节点；