[发明专利]一种基于混合节点图的涉案微博对象级情感分类方法

说明书

本发明涉及一种基于混合节点图的涉案微博对象级情感分类方法，属于情感分类技术领域。本发明所述方法将评论及其评价对象类别视为一个混合节点，根据混合节点之间的语义相似性和情感关联性分别构建语义图和情感图；然后，将语义图和情感图堆叠为一个图张量，并对图张量的每一层执行图内卷积和图间卷积两种卷积操作；最后，在标签的监督下，基于混合节点的特征完成情感分类，本发明能显著提高情感分类性能。

技术领域

本发明涉及一种基于混合节点图的涉案微博对象级情感分类方法，属于情感分类技术领域。

背景技术

案件相关的负面突发事件通常会引发网友在互联网微博热议,产生涉案网络舆情。网友通常会围绕某个案件的几类评价对象发表观点，形成对不同对象积极或消极的情感态度。及时把握这些情感态度是后续进行涉案舆情态势分析的基础。这种对象类别的情感分析(Aspect-category Sentiment Analysis，ACSA)任务属于属性级情感分析(Aspect-based Sentiment Analysis,ABSA)，目的是判别句子中某个指定评价对象类别(Aspectcategory，AC)的情感极性，对涉案舆情分析较有意义。

ACSA需要识别句子中对应于某个评价对象的范围，因此较之句子级情感分类任务更为复杂。传统的基于统计的方法关注的是设计一组人工特征，并基于这些特征训练情感分类器，但这类基于特征设计的方法较为费时费力。近年来，基于神经网络的模型能自动生成有用的评价对象表征和上下文表征，相比原先基于特征工程的方法能获得更优的性能。特别是采用了注意力机制的神经网络模型，有效地辨别句子中哪些词对于一个给定评价对象更为重要，从而更准确地检测情感极性。此外，有研究者利用图卷积神经网络(GCN)学习句子内部的句法依赖关系或情感依赖关系，本质上也是聚合句子内部对于某个评价对象较重要的词的情感特征。自BERT预训练模型提出后，也有模型有效利用了BERT的语义编码能力，取得了良好的情感分类性能。在Song等人提出的模型中，句子和对象类别分别采用BERT模型进行编码。然后设计了一个轻量多头注意力模型，从编码向量中提取有用信息，并进行情感分类。Zeng等人提出句子和对象类别以不同的方式拼接，并通过BERT模型编码到全局语境和局部语境中。为了进行情感预测，需要在局部上下文中引入方面词的信息。

根据上述研究，模型有必要从评论中捕捉方面的意见表达。当标记数据较少时，使用BERT模型可以帮助语义表示和提高性能。现有的模型主要集中在监督学习范式上，没有考虑句子之间的关联性。对于该任务，有很多未标记的微博评论可以使用。故提出了一种基于图神经网络的弱监督ACSA，它利用所有的评论来构造一个全图网络。通过图网的信息传输，在少数标注评论的引导下，标注评论可以学习方面的情感特征，完成情感预测任务。

发明内容

本发明提供了一种基于混合节点图的涉案微博对象级情感分类方法，以用于提高分类结果的准确性。

本发明的技术方案是：一种基于混合节点图的涉案微博对象级情感分类方法，所述方法将评论及其评价对象类别视为一个混合节点，根据混合节点之间的语义相似性和情感关联性分别构建语义图和情感图；然后，将语义图和情感图堆叠为一个图张量，并对图张量的每一层执行图内卷积和图间卷积两种卷积操作；最后，在标签的监督下，基于混合节点的特征完成情感分类。

作为本发明的进一步方案，所述方法具体包括如下步骤：

Step1、收集文本；

Step2、文本处理；

Step3、混合节点特征的初始化；

Step4、构建情感图与语义图；

Step5、构建图张量和特征学习；

Step6、将混合节点的特征向量送入softmax分类器，得到该混合节点属于不同情感类别的概率。