[发明专利]一种方面级情感分类方法

权利要求书

1.一种方面级情感分析方法，其特征在于，该方法包括：

采用双向长短期记忆网络模型对待分析文本进行提取方面词和上下文的特征信息，分别得到所述方面词的隐层表示和所述上下文的上下文隐层表示；

针对获得的所述隐层表示和所述上下文隐层表示，采用图卷积网络根据句法依存树对其进行提取与所述方面词有直接语法联系的上下文情感特征信息，获得融合语法依存信息的上下文信息特征表示；

基于所述上下文信息特征表示，利用注意力机制学习所述方面词与所述上下文的交互信息，同时提取所述上下文中为方面词情感分类做出重要贡献的情感特征信息，并预测情感极性。

2.根据权利要求1所述方面级情感分析方法，其特征在于，所述采用双向长短期记忆网络模型对待分析文本进行提取方面词和上下文的特征信息，分别得到所述方面词的隐层表示和所述上下文的上下文隐层表示的步骤包括：

采用预训练词典对所述方面词和所述上下文进行词嵌入处理，分别得到所述方面词的词嵌入向量和所述上下文的词嵌入向量。

3.根据权利要求2所述方面级情感分析方法，其特征在于，所述采用双向长短期记忆网络模型对待分析文本进行提取方面词和上下文的特征信息，分别得到所述方面词的隐层表示和所述上下文的上下文隐层表示的步骤包括：

通过双向长短期记忆网络模型对所述词嵌入向量和所述文本嵌入向量进行转换处理，分别得到所述方面词的隐层表示和所述上下文的上下文隐层表示。

4.根据权利要求1所述方面级情感分析方法，其特征在于，所述针对获得的所述隐层表示和所述上下文隐层表示，采用图卷积网络根据句法依存树对其进行提取与方面词有直接语法联系的上下文情感特征信息，获得融合语法依存信息的上下文信息特征表示的步骤包括：

根据上下文文本搭建句法依存树，并采用图结构保存所述句法依存树，构建邻接矩阵。

5.根据权利要求4所述方面级情感分析方法，其特征在于，所述针对获得的所述隐层表示和所述上下文隐层表示，采用图卷积网络根据句法依存树对其进行提取与方面词有直接语法联系的上下文情感特征信息，获得融合语法依存信息的上下文信息特征表示的步骤包括：

将所述上下文隐层表示和所述邻接矩阵输入图卷积网络，利用所述图卷积网络对所述句法依存树中的节点进行图卷积，并通过所述邻接矩阵将句法依存信息融入到所述节点，获得融合语法依存信息的上下文信息特征表示。

6.根据权利要求5所述方面级情感分析方法，其特征在于，所述将所述上下文隐层表示和所述邻接矩阵输入图卷积网络，利用所述图卷积网络对所述句法依存树中的节点进行图卷积，并通过所述邻接矩阵将句法依存信息融入到所述节点，获得融合语法依存信息的上下文信息特征表示的步骤之后还包括：

对所述方面词的所述隐层表示进行平均操作获得所述方面词的平均表征。

7.根据权利要求6所述方面级情感分析方法，其特征在于，所述基于所述上下文信息特征表示，利用注意力机制学习所述方面词与所述上下文的交互信息，同时提取所述上下文中为方面词情感分类做出重要贡献的情感特征信息，并预测情感极性的步骤包括：

将所述上下文信息特征表示和所述方面词的所述平均表征输入所述注意力机制，利用所述注意力机制去学习所述方面词和所述上下文间的交互信息，并对情感判别起作用的单词进行分配不同的权重。

8.根据权利要求7所述方面级情感分析方法，其特征在于，所述基于所述上下文信息特征表示，利用所述注意力机制学习所述方面词与所述上下文的交互信息，同时提取所述上下文中为方面词情感分类做出重要贡献的情感特征信息，并预测情感极性的步骤包括：

根据分配的不同权重计算最终上下文表示。

9.根据权利要求8所述方面级情感分析方法，其特征在于，利用线性层将所述最终上下文表示映射到一个与预设情感极性空间维度相同的空间中，得到相同维度的上下文表示向量。

10.根据权利要求9所述方面级情感分析方法，其特征在于，采用softmax函数对所述上下文表示向量计算情感极性值，取情感极性值的最大值作为情感分析的结果。