[发明专利]一种基于双通道模型的细粒度的用户评论情感分析方法

说明书

本发明公开了一种基于双通道模型的细粒度的用户评论情感分析方法，包括如下步骤：步骤(1)、对文本进行预清理和分词；步骤(2)、对文本进行进一步预处理获取文本中每个单词的词性和依存关系；步骤(3)、将方面信息引入到计算模型BERT中，根据不同的方面获得与之对应的不同方面嵌入向量；步骤(4)进行方面检测和词方面极性分类；步骤(5)构建双通道模型，在双通道之间设置通路，对将方面检测子任务中能够得到的信息，用于协助极性判断子任务的完成；步骤(6)根据步骤(2)得到的文本，搭建一个双层GCN模型，引入依存信息；步骤(7)构建用于训练所述双通道模型的目标损失函数；步骤(8)整体训练，根据步骤(7)中的目标损失函数对上述的双通道模型进行训练。

技术领域

本发明属于情感分析，自然语言处理研究的技术领域。方面情感分析是情感分析的一种，是目前最细粒度的情感分析。与更粗粒度的情感分析相比，需要更多的对方面给予注意。方面情感分析分为两个子任务，第一个子任务是方面检测即判断文档中某个方面是否存在，第二个子任务是极性判断即判文档中提及的某一方面的情感极性。本发明通过使用双通道的框架，同时完成两个子任务，通过共享信息和引入外部信息等方式从总体上提高方面情感分析的准确性。

背景技术

早在上世纪60年代，神经网络这一种模型就已经诞生。但主要受限于当时的计算机算力有限和互联网上并没有当前这么多的数据，因此该方法并没有受到人们的重视。随着时间的推移和摩尔定律的加持，计算机的计算能力有着大幅度的提高。60年代的超级计算机每秒只能执行大约3MFOPS即每秒可以进行三百万次的浮点运算。而现在的超级计算机富岳计算能力高达415.5PFLOPS即每秒钟可以进行415.5千万亿次的浮点运算。另一方面随着互联网的发展，越来越多的人使用互联网，互联网上的数据也越来越多。通过机器自动的去挖掘大数据下的信息，也成为机器学习这一领域的一项严峻的挑战。

随着互联网的普及，越来越多的顾客会在消费后对商品进行评论。与此同时，在购买商品时参考用户评论，已经成为顾客进行购买决策的一个主要依据。这些商品不仅仅指生活用品，也包括电影、书籍还有餐厅、宾馆等。情感分析是指通过自然语言处理的方法获取情感极性。情感极性往往分为积极、消极和中立三种。随着网络评论的流行，表达用户情感的文档数量越来越多，情感分析已经成为自然语言处理任务中很重要的一部分。

目前，情感分析根据粒度由大到小可以分为文档级、句子级和方面级，分别判断对给定的一个文档、一个句子或一个方面的情感极性。但无论是文档级还是句子级情感分析，对于人类所表达的情感来说，粒度都是较粗的。在一个句子中可以存在对不同方面的情感表达。比如“Great food but the service was dreadful！”，在这个句子中对于“food”这一方面的情感极性为正，但对于“service”这一方面情感极性为负。本发明的主要目标是对方面情感分析进行研究。

发明内容

本发明要解决的技术问题为：解决细粒度的情感法分析中判断某方面是否在文本中提及和判断提及方面的情感极性两个子任务，通过充分利用第一个子任务中得到的与方面相关的信息以及引入外部信息，来提高整个细粒度的情感分析的质量。

本发明解决上述技术问题的技术方案为：一种基于双通道模型的细粒度的用户评论情感分析方法，包括以下步骤：

步骤(1)对文本进行预清理和分词；

步骤(2)对文本进行进一步预处理获取文本中每个单词的词性和依存关系；

步骤(3)将方面信息引入到计算模型BERT中，根据不同的方面获得与之对应的不同方面嵌入向量；

步骤(4)进行方面检测和词方面极性分类；

步骤(5)构建双通道模型，在双通道之间设置通路，对将方面检测子任务中能够得到的信息，用于协助极性判断子任务的完成；

步骤(6)根据步骤(2)得到的文本，搭建一个双层GCN模型，引入依存信息；