[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

说明书

本发明涉及一种融合GCN与多粒度注意力的用户评论情感分析方法，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记性；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。本发明能够有效提高情感分类的准确性。

技术领域

本发明涉及自然语言处理与情感分析应用领域，具体涉及一种融合GCN与多粒度注意力的用户评论情感分析方法及系统。

背景技术

情感分析(Sentiment Analysis，SA)，又被称为观点挖掘，是自然语言处理中文本分类任务的一项基本任务，其基本目标是从文本中识别观点，分析其情感倾向性。随着网络购物和网络社交媒体的兴起，互联网上的评论文本数量急剧增加，人们对情感分析的分类粒度要求也越来越高，原有的文档级、句子级情感分析已经无法满足社会需要。因此，研究者们提出了细粒度的方面级情感分析任务。方面级情感分析是情感分析的一项子任务，现有的方面级情感分析模型主要分为基于传统机器学习和基于深度学习。

在深度学习兴起之前，基于传统机器学习的方面级情感分析模型依靠人为定义的规则从句子中提取语义特征，例如情感词典特征，解析特征和n-gram特征。然后，采用支持向量机(Support Vector Machine，SVM)、隐狄利克雷分布(Latent DirichletAllocation，LDA)和条件随机场(Conditional Random Field，CRF)等传统机器学习方法作为分类器，以确定评论文本的情感极性。但是，上述模型需要人工进行复杂的特征选择和特征提取工作，工作量大，并且效率较低。

近年来，深度学习方法在包括方面级情感分析在内的众多领域获得了广泛的应用。深度学习方法无需人工进行繁琐的特征提取和特征选择工作，可以自动从文本中提取上下文语义信息。循环神经网络(Recurrent Neural Network，RNN)可以对给定方面与上下文单词之间的相关性进行建模，这对于预测给定方面的情感极性至关重要。因此，RNN被广泛应用于方面级情感分析研究中。Wang等将方面向量与每个单词的词向量串联并作为长短期记忆网络(Long Short-Term Memory，LSTM)的输入，使方面向量能够参与计算每个上下文单词的注意力权重。Ma等利用LSTM和注意力机制交互学习方面及其上下文单词的注意力权重，以获得每个方面及其上下文的精确表示，从而有效地区分句子中不同方面的情感极性。相较于基于传统机器学习的方面级情感分析模型，现有的基于RNN的情感分析模型能够更有效地对方面相关的上下文情感表示进行建模，但仍存在捕获方面相关的远距离语义特征能力较弱的问题。

与传统的RNN相比，记忆网络(Memory Network)通过外部记忆模块存储文本信息，能更有效地对方面和上下文之间的远距离关系进行建模。Tang等率先将深度记忆网络引入了方面级情感分析任务，所提模型将预训练的上下文单词的词向量作为外部记忆模块，并采用了多个注意力层学习方面级上下文表示，其中每个注意力层包含一个注意力机制和一个线性变换操作。Chen等通过两层Bi-LSTM来利用输入的词向量建立外部记忆模块，并利用位置权重信息为每个方面生成特定记忆。Zhu等提出了一种带有辅助记忆的深度记忆网络。该模型包含两个记忆模块，一个是主记忆模块，用于存储上下文信息；另一个是辅助记忆模块，用于存储方面信息。通过两个记忆模块的交互，该模型可以更好地利用方面信息进行情感分类。