[发明专利]融合GCN与多粒度注意力的用户评论情感分析方法及系统

权利要求书

1.一种融合GCN与多粒度注意力的用户评论情感分析方法，其特征在于，包括以下步骤：

步骤A：提取用户评论、用户评论涉及的产品或服务的方面词，并标注用户评论针对产品或服务的特定方面的情感极性，构建训练集SA；

步骤B：使用训练集SA，训练融合GCN与多粒度注意力的深度学习网络模型G，用于分析用户评论对产品或服务的特定方面的情感极性；

步骤C：将用户评论与用户评论涉及的产品或服务的方面词输入到训练后的深度学习网络模型G中，得到用户评论对产品或服务的特定方面的情感极性；

所述步骤B具体包括以下步骤：

步骤B1：对训练集SA中的每个训练样本进行编码，得到用户评论的初始表征向量方面的初始表征向量以及句法依存邻接矩阵A；

步骤B2：将步骤B1得到的初始表征向量和分别输入到两个不同的双向长短期记忆网络中，得到用户评论表征向量H^s和方面表征向量H^a；

步骤B3：对H^a进行平均池化得到方面表征向量对H^s进行位置权重加权，得到位置感知的用户评论表征向量连接与得到表征向量g⁰；

步骤B4：将表征向量g⁰输入到K层图卷积网络中，学习并提取句法依存关系，得到用户评论的图卷积表征向量h^K；

步骤B5：对用户评论的图卷积表征向量h^K进行掩膜操作，得到用户评论的图卷积掩膜表征向量h^mask，将用户评论的图卷积掩膜表征向量h^mask、用户评论表征向量H^s、方面表征向量H^a输入由传统注意力机制和多头注意力机制组成的多粒度注意力网络中，从用户评论中提取针对产品或服务的特定方面的多粒度上下文情感信息，得到用户评论的方面级多粒度表征向量e_s；

步骤B6：将e_s输入softmax层，根据目标损失函数loss，利用反向传播方法计算深度学习网络模型G中的各参数的梯度，并利用随机梯度下降方法更新参数；

步骤B7：当深度学习网络模型G产生的损失值迭代变化小于设定阈值不再降低或者达到最大迭代次数，终止深度学习网络模型G的训练。