本发明属于自然语言处理,具体涉及一种基于图注意力网络的方面级情感分类方法。
背景技术:
1、随着互联网的广泛普及,电子商务、社交媒体等应用产业得到迅猛发展,全球网民规模也不断扩大,越来越多的人通过电商平台进行购物并留下商品评价,在社交平台上分享自己的观点,表达自己的想法、态度等,因此互联网上产生了大量的用户对于诸如人物、事件、产品等有价值的评论信息,这些评论信息包含了用户的情感倾向。通常这些海量的文本数据都蕴含着巨大的商业价值,但是如何挖掘出其中有效的信息则是我们需要考虑的问题。以网上购物为例,评论数量巨大,用户很难快速定位到自己关注的商品某个特定方面的信息,单纯通过个人浏览在线评论,获得该商品的综合评价显然是不现实的。传统的情感分类只是识别一个评论整体的情感倾向,对商品所包含的具体方面、属性等并不关注,这种粗粒度的情感识别不但导致了信息提取不充分问题,更无法识别用户所关注的商品特定方面的情感倾向。所以在这种情况下,有必要建立一个对文本进行方面级别情感分类的系统。随着深度学习算法的快速发展,利用自然语言处理领域的相关技术进行文本方面级别的情感分类可以很大程度改善和提高文本有效信息的获取。
2、对于文本方面级情感分类,其挑战之一在于使用图注意力网络在多层网络下会出现特征信息丢失的问题,如何保障特征信息可以有效传播,以往的方法大多没有很好地解决。其挑战之二在于如何将文本句法特征和上下文语义特征充分融合,对于一条评论来说,其包含的特征不仅有上下文之间的语义特征,还有包含句法关系的句法特征,两者对于方面级情感的分类都很重要,以往研究大多只考虑了语义特征或者没有将两者进行有效融合,就会导致输出的特征不够全面、准确。
技术实现思路
1、为解决上述技术问题,本发明提出一种基于图注意力网络的方面级情感分类方法,包括:
2、s1:获取方面词所在的上下文文本的词嵌入表示,得到句子所对应的词向量;
3、s2:在词向量中根据上下文词与方面词所处的相对位置来动态调整上下文词权重,获取上下文语义特征;
4、s3:通过改进的图注意力网络来聚合句法信息,获取文本的句法特征;
5、s4:使用深度交叉网络充分融合文本句法特征和上下文语义特征,得到最终特征表示;
6、s5:将最终特征表示通过全连接层、softmax函数中进行情感预测,得到文本中该方面词的情感极性分布。
7、本发明的有益效果:
8、1、本发明采用残差网络的结构弥补了图注意力网络在多层网络下会出现的特征信息丢失的问题;
9、2、本发明使用深度交叉网络对上下文语义信息和句法特征进行有效融合获得最终表示;
10、3、本发明的方法能够实现文本中特定方面词较好的情感分类效果,提高了方面级情感分类的准确率。
1.一种基于图注意力网络的方面级情感分类方法,其特征在于,包括:
2.根据权利要求1所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,获取方面词所在的上下文文本的词嵌入表示,包括:
3.根据权利要求1所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,获取上下文语义特征,包括:
4.根据权利要求1所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,获取文本的句法特征,包括:
5.根据权利要求1所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,使用深度交叉网络充分融合文本句法特征和上下文语义特征,得到最终特征表示,包括:
6.根据权利要求5所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,将无向图特征向量和上下文特征向量hex进行拼接融合,将融合后的无向图特征向量和上下文特征向量hex进行交叉网络传播,包括:
7.根据权利要求5所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,将未参与融合的有向图特征向量通过全连接前馈神经网络向前传播,包括:
8.根据权利要求5所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,将传播后的两组向量进行拼接,得到最终特征表示,包括:
9.根据权利要求1所述的一种基于图注意力网络的方面级情感分类方法,其特征在于,将最终特征表示通过全连接层、softmax函数中进行情感预测,包括: