CN110489554A - 基于位置感知互注意力网络模型的属性级情感分类方法 - Google Patents
基于位置感知互注意力网络模型的属性级情感分类方法 Download PDFInfo
- Publication number
- CN110489554A CN110489554A CN201910751449.4A CN201910751449A CN110489554A CN 110489554 A CN110489554 A CN 110489554A CN 201910751449 A CN201910751449 A CN 201910751449A CN 110489554 A CN110489554 A CN 110489554A
- Authority
- CN
- China
- Prior art keywords
- attribute
- context
- vector
- word
- term vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002996 emotional effect Effects 0.000 claims abstract description 22
- 230000008451 emotion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及基于位置感知互注意力网络模型的属性级情感分类方法,属于计算机及信息技术领域。本发明首先,利用两个LSTM网络对拼接位置信息的上下文和属性进行独立编码,然后,对上下文隐藏层的输出再次拼接位置信息,属性隐藏层的输出再次拼接属性的输入向量,接着,利用注意力机制让属性和上下文互作用学习获得更加有效的表示,最后,将上下文和属性进行拼接送入sofmax分类器中进行情感分类。该方法在SemEval 2014 Task4的Laptop和Restaurant两个不同领域的语料上进行了实验,均获得了比较好的结果。
Description
技术领域
本发明涉及基于位置感知互注意力网络模型的属性级情感分类方法,属于计算机及信息技术领域。
背景技术
属性级情感分类中细粒度情感分类任务,旨在准确不同属性的情感极性。解决属性情感分类的传统机器学习方法包括语法规则和支持向量机(SVM)的方法,这些方法大多需要大量人工特征,包括情感词典、解析树等。这类方法的性能很大程度上受限于人工特征的质量。
近些年,随着深度学习的发展,神经网络在NLP中得到了广泛的应用。越来越多的学者提出利用深度学习技术。前期一些学者提出利用深度学习和传统的方法相结合处理属性级情感分类的思路。Nguyen和Shirai提出基于循环神经网络和句法分析树的方法进行属性情感分类。Dong等人提出一种自适应的循环神经网络应用于文本情感分类。这些方法均加入了深度学习的方法进行特征提取,相比于传统的方法取得了比较好的性能,但是,它们需要借助情感词典、句法分析树等方法的辅助,且网络结构相比比较复杂。为了克服这些缺陷,本发明提出了一种基于位置感知互注意力网络模型的属性级情感分类方法。
发明内容
本发明提供了基于位置感知互注意力网络模型的属性级情感分类方法,将属性和拼接位置向量的上下文向量进行独立编码,上下文隐藏层再次拼接位置向量,将隐层的输出经过初始化表示,计算得分、注意力权重计算,获得上下文和属性的最终有效表示;本发明能提升分类模型的准确性。
本发明的技术方案是:一种基于位置感知互注意力网络模型的属性级情感分类方法,首先进行语料预处理,针对英文语料,遍历全部语料查找出所有不同的词构建一个词典文件;然后,采用Google提供的Word2vec工具进行词向量300维的训练,上下文、属性、位置向量的计算;然后进行特征提取,利用两个LSTM网络对属性和拼接位置向量的上下文向量进行独立编码,上下文隐藏层再次拼接位置向量,强化位置信息的重要性;接着属性和上下文互动学习,计算它们各自的注意力权重,生成有效表示;最后,将属性和上下文生成的有效表示进行拼接作为最终的表示并送入softmax分类器中进行情感分类。
作为本发明的优选方案,所述基于位置感知互注意力网络模型的属性级情感分类方法的具体步骤如下:
Step1、词典的构建:英文文本不同于中文文本,它无需分词可以直接训练词向量,每个单词是一个独立的个体,表示独立的含义;将语料包含的所有词遍历后,去掉重复词,保证每个单词只出现一次,然后给每个单词赋予一个唯一的地址,保存到一个文本中,构成一个词典;供后续对应词向量的调用;
Step2、语料的数值化、位置信息的处理:将原始语料转化成数值方便后期的处理,将上下文和属性依次遍历,分别计算出它们各自的最长的长度max_context_len,max_aspect_len,然后利用词典将遍历到的词用它们的词典中对应的地址进行填充,达不到最长的长度的利用0进行填充,保证每条上下长度都为max_context_len,每条属性的长度都为max_aspect_len保持数据一致性,构成上下文和属性的序列,保存到文件中;
对位置信息的处理方法为:
1)检索到属性词所在的位置i,设置该位置的权重为0;
2)以属性词为中心,在属性词的两侧设置两个工作指针,分别依次计算属性词左右两侧单词和属性词之间的相对位置的值li;
3)将获得相对位置的序列进行处理,计算公式:获得上下文位置序列;
Step3、Word2vector词向量的训练:利用Google的开源工具Word2vec进行词向量的训练,将每一个词转化成一个1*300的向量;主要用到CBOW算法利用上下文的词向量预测特征词的词向量,利用窗口移动遍历所有词,获得语料中所有词的词向量。同时为每个位置信息训练一个唯一的300维的向量;
Step4、上下文向量、属性向量和位置向量的获取:通过步骤Step 2获得上下文序列、属性序列和位置序列;利用上下文序列检索出涉及的对应词向量构成上下文向量嵌入矩阵上下文不同单词对应的词向量乘上对应的Di,获得位置向量矩阵将vp和vc拼接,得到上下文最终的输入;属性词向量矩阵的获取方式和上下文词向量矩阵的获取方式一样以上的dp,dc,dt均表示向量维度,n、m分别表示上下文和属性的长度;
Step5、上下文和属性的初始表示:步骤Step 4获得的上下文向量、属性向量、位置向量,将上下文向量和位置向量拼接作为上下文最终的输入向量,利用两个LSTM网络对上下文最终的输入向量和属性向量分别进行独立编码,然后,上下文隐藏层的输出hc再次拼接vp获得hcp,属性隐藏层的输出ht拼接属性的输入vt获得htt,对hcp和htt作均值处理获得上下文和属性的初始表示:
Step6、上下文和属性单词得分γ的计算:步骤Step 5获得上下文和属性的初始表示T、C;上下文和属性互动学习挖掘和属性情感密切相关的信息,单词得分γ用来衡量单词在上下文和属性中的对属性情感信息的贡献度:
式中:Wc、Wt为权重,bc、bt为偏置,为上下文中第i个词的词向量,为属性中第i个词的词向量表示;
Step7、上下文和属性注意力权重的计算:利用注意力机制使得上下文和属性交互式学习,计算上下文和属性注意力权重αi、βi:
Step8、评论的最终有效表示:通过步骤Step 7获得上下文和属性的注意力权重αi、βi,利用上下文和属性隐藏层的输出与它们对应的注意力权重相乘获得上下文和属性有效表示,然后,将它们进行拼接获得评论最终有效表示S=[Cf,Tf]用于属性情感分类,把最终有效表示送入softmax分类器中进行情感分类;
上述式子中:n、m分别为上下文和属性的长度,αi、βi为上下文和属性的注意力权重,为上下文中第i个词的词向量,为属性中第i个词的词向量表示。
本发明的有益效果是:
1、采用本发明提供的方法能够得到上下文和属性的有效表征语义和重要程度的向量,最大程度上强化重要特征,弱化次要特征;准确定位出特定属性的情感极性。在SemEval 2014语料上进行测试,laptop数据集上准确率为0.731,restaurant数据集上准确率为0.807;
2、本发明能实现自动属性级情感分类,达到比较好的结果。
3、本发明针对属性级情感分类任务不理想的问题,基于长短记忆网络(LSTM)算法,将互作用多注意力机制和位置信息相结合,在一定程度上取得了属性级情感分类比较好的结果;
附图说明
图1为本发明位置感知互作用注意力网络模型流程图;
图2为本发明位置嵌入示意图;
对于一条评论,属性可能不止一个,属性词统一用wa表示,上下文共有n-1个词{w1,w2,w3,…wa-1,wa+1,…wn};然后,上下文和属性的相对位置是dp={1-a,2-a,…,-1,1,…,n-a};
图3为本发明位置感知互作用注意力网络模型注意力权重热力图。
本发明位置感知互作用注意力网络模型(PEIAN)和交互式注意力网络模型(IAN)对同一个句子“startup are incredibly long:over two minutes.”计算的注意力权重进行了可视化,观察热力图很容易发现,PEIAN模型相比IAN模型能够更好的捕捉属性词的情感信息。
具体实施方式
实施例1:如图1-3所示,基于位置感知互注意力网络模型的属性级情感分类方法,对laptop语料,如图1所示,解决属性级情感分类方法的具体步骤为:
Step1、词典的构建:将语料包含的所有词遍历后,去掉重复词,保证每个单词只出现一次,然后给每个单词赋予一个唯一的地址,保存到一个文本中,构成一个词典;供后续对应词向量的调用;
Step2、语料的数值化、位置信息的处理:将原始语料转化成数值方便后期的处理,将上下文和属性依次遍历,分别计算出它们各自的最长的长度max_context_len,max_aspect_len,然后利用词典将遍历到的词用它们的词典中对应的地址进行填充,达不到最长的长度的利用0进行填充,保证每条上下长度都为max_context_len,每条属性的长度都为max_aspect_len保持数据一致性,构成上下文和属性的序列,保存到文件中;
对位置信息的处理方法为:
1)检索到属性词所在的位置i,设置该位置的权重为0;
2)以属性词为中心,在属性词的两侧设置两个工作指针,分别依次计算属性词左右两侧单词和属性词之间的相对位置的值li;
3)将获得相对位置的序列进行处理,计算公式:获得上下文位置序列;
Step3、Word2vector词向量的训练:利用Google的开源工具Word2vec进行词向量的训练,将每一个词转化成一个1*300的向量;
Step4、上下文向量、属性向量和位置向量的获取:通过步骤Step 2获得上下文序列、属性序列和位置序列;利用上下文序列检索出涉及的对应词向量构成上下文向量嵌入矩阵上下文不同单词对应的词向量乘上对应的Di,获得位置向量矩阵将vp和vc拼接,得到上下文最终的输入;属性词向量矩阵的获取方式和上下文词向量矩阵的获取方式一样以上的dp,dc,dt均表示向量维度,n、m分别表示上下文和属性的长度;
Step5、上下文和属性的初始表示:步骤Step 4获得的上下文向量、属性向量、位置向量,将上下文向量和位置向量拼接作为上下文最终的输入向量,利用两个LSTM网络对上下文最终的输入向量和属性向量分别进行独立编码,然后,上下文隐藏层的输出hc再次拼接vp获得hcp,属性隐藏层的输出ht拼接属性的输入vt获得htt,对hcp和htt作均值处理获得上下文和属性的初始表示:
Step6、上下文和属性单词得分γ的计算:步骤Step 5获得上下文和属性的初始表示T、C;上下文和属性互动学习挖掘和属性情感密切相关的信息,单词得分γ用来衡量单词在上下文和属性中的对属性情感信息的贡献度:
式中:Wc、Wt为权重,bc、bt为偏置,为上下文中第i个词的词向量,为属性中第i个词的词向量表示;
Step7、上下文和属性注意力权重的计算:利用注意力机制使得上下文和属性交互式学习挖掘和属性密切相关的情感信息,计算上下文和属性注意力权重αi、βi:
Step8、评论的最终有效表示:通过步骤Step 7获得上下文和属性的注意力权重αi、βi,利用上下文和属性隐藏层的输出hi c、hi t与它们对应的注意力权重相乘获得上下文和属性有效表示,然后,将它们进行拼接获得评论最终有效表示S=[Cf,Tf]用于属性情感分类,把最终有效表示送入softmax分类器中进行情感分类;
上述式子中:n、m分别为上下文和属性的长度,αi、βi为上下文和属性的注意力权重,为上下文中第i个词的词向量,为属性中第i个词的词向量表示。
Step9、训练、测试模型。SemEval2014 Task4中Restaurant和laptop数据集已经分好训练集和测试集。将Step 8获得的评论的最终有效表示送入模型进行训练和测试,实验结果显示本发明对属性情感分类的有效性。
表1为本发明与基线模型结果的对比表
model | Restaurant | Laptop |
LSTM | 0.743 | 0.665 |
TD-LSTM | 0.756 | 0.681 |
AE-LSTM | 0.762 | 0.689 |
ATAE-LSTM | 0.772 | 0.687 |
GCAE | 0.775 | 0.694 |
IAN | 0.786 | 0.721 |
PEIAN | 0.807 | 0.731 |
LSTM:LSTM模型仅使用一个LSTM网络对上下文进行建模,然后将隐藏层的输出做均值处理视为最终的表示,并被送入softmax函数计算每个情感标签的概率。TD-LSTM:TD-LSTM采用两个LSTM网络分别对属性的左右两侧的上下文建模,左侧和右侧的上下文相关的表示拼接起来用以预测属性的情感极性。
AE-LSTM:AE-LSTM模型利用LSTM网络首先对上下文进行建模,然后将隐藏状态和属性词的嵌入相结合,计算注意力权重生成最终的表示。
ATAE-LSTM:ATAE-LSTM模型是在AE-LSTM模型上的一种扩展,在AE-LSTM模型的输入层拼接属性,然后送入LSTM网络,让模型能够选择性关注与当前关系密切的内容信息,从而生成更准确的属性情感特征表示。
GCAE:GCAE模型是建立在卷积和门控单元上,每个卷积滤波器分别从每个位置的嵌入向量计算不同粒度的n-gram特征,卷积层和最大池化层的顶部的选通单元可以准确选择和生成与属性相关的情感特征。
IAN:IAN模型对属性和上下文分别建模,利用交互式注意力网络使属性和上下文交互式学习挖掘和属性情感信息密切相关的信息,进行属性情感分类。
实验分析
从表1的结果可以看出,对于属性情感分类三分类任务,PEIAN模型在Restaurant和Laptop两个不同领域的数据集上均取得比较好的效果。模型ATAE-LSTM准确率明显高于模型TD-LSTM、AE-LSTM、LSTM。从实验结果和模型框架对比说明,在模型的输入层加入属性词向量可以很好地帮助模型挖掘不同属性和上下文中不同单词之间的语义关联信息,更加准确地将对应的情感信息识别。在Restaurant和Laptop语料上,ATAE-LSTM模型相比TD-LSTM、LSTM模型分类准确率分别提升1.6%、0.8%和2.7%、2.2%,相比TC-LSTM模型在Restaurant语料上提升0.9%,验证了注意力机制在属性情感分类任务中的有效性。同时也说明属性参与上下文的特征的提取的必要性。GCAE模型将卷积和门控单元相结合,对于情感特征的选择有一定的效果,但是相比ATAE-LSTM模型基本上没有大的提升。PEIAN模型相比ATAE-LSTM和IAN模型在Laptop和Restaurant语料上分别提升1.4%、3.5和3.4、4.4。验证了本发明对于解决属性级情感分类的有效性。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.基于位置感知互注意力网络模型的属性级情感分类方法,其特征在于:首先进行语料预处理,针对英文语料,遍历全部语料查找出所有不同的词构建一个词典文件;然后,采用Google提供的Word2vec工具进行词向量300维的训练,上下文、属性、位置向量的计算;然后进行特征提取,利用两个LSTM网络对属性和拼接位置向量的上下文向量进行独立编码,上下文隐藏层再次拼接位置向量,强化位置信息的重要性;接着属性和上下文互动学习,计算它们各自的注意力权重,生成有效表示;最后,将属性和上下文生成的有效表示进行拼接作为最终的表示并送入softmax分类器中进行情感分类。
2.根据权利要求1所述的基于位置感知互注意力网络模型的属性级情感分类方法,其特征在于:所述基于位置感知互注意力网络模型的属性级情感分类方法的具体步骤如下:
Step1、词典的构建:将语料包含的所有词遍历后,去掉重复词,保证每个单词只出现一次,然后给每个单词赋予一个唯一的地址,保存到一个文本中,构成一个词典;供后续对应词向量的调用;
Step2、语料的数值化、位置信息的处理:将原始语料转化成数值方便后期的处理,将上下文和属性依次遍历,分别计算出它们各自的最长的长度max_context_len,max_aspect_len,然后利用词典将遍历到的词用它们的词典中对应的地址进行填充,达不到最长的长度的利用0进行填充,保证每条上下长度都为max_context_len,每条属性的长度都为max_aspect_len保持数据一致性,构成上下文和属性的序列,保存到文件中;
对位置信息的处理方法为:
1)检索到属性词所在的位置i,设置该位置的权重为0;
2)以属性词为中心,在属性词的两侧设置两个工作指针,分别依次计算属性词左右两侧单词和属性词之间的相对位置的值li;
3)将获得相对位置的序列进行处理,计算公式:获得上下文位置序列;
Step3、Word2vector词向量的训练:利用Google的开源工具Word2vec进行词向量的训练,将每一个词转化成一个1*300的向量;
Step4、上下文向量、属性向量和位置向量的获取:通过步骤Step2获得上下文序列、属性序列和位置序列;利用上下文序列检索出涉及的对应词向量构成上下文向量嵌入矩阵上下文不同单词对应的词向量乘上对应的Di,获得位置向量矩阵将vp和vc拼接,得到上下文最终的输入;属性词向量矩阵的获取方式和上下文词向量矩阵的获取方式一样以上的dp,dc,dt均表示向量维度,n、m分别表示上下文和属性的长度;
Step5、上下文和属性的初始表示:步骤Step4获得的上下文向量、属性向量、位置向量,将上下文向量和位置向量拼接作为上下文最终的输入向量,利用两个LSTM网络对上下文最终的输入向量和属性向量分别进行独立编码,然后,上下文隐藏层的输出hc再次拼接vp获得hcp,属性隐藏层的输出ht拼接属性的输入vt获得htt,对hcp和htt作均值处理获得上下文和属性的初始表示:
Step6、上下文和属性单词得分γ的计算:步骤Step5获得上下文和属性的初始表示T、C;上下文和属性互动学习挖掘和属性情感密切相关的信息,单词得分γ用来衡量单词在上下文和属性中的对属性情感信息的贡献度:
式中:Wc、Wt为权重,bc、bt为偏置,为上下文中第i个词的词向量,为属性中第i个词的词向量表示;
Step7、上下文和属性注意力权重的计算:利用注意力机制使得上下文和属性交互式学习,计算上下文和属性注意力权重αi、βi:
Step8、评论的最终有效表示:通过步骤Step7获得上下文和属性的注意力权重αi、βi,利用上下文和属性隐藏层的输出与它们对应的注意力权重相乘获得上下文和属性有效表示,然后,将它们进行拼接获得评论最终有效表示S=[Cf,Tf]用于属性情感分类,把最终有效表示送入softmax分类器中进行情感分类;
上述式子中:n、m分别为上下文和属性的长度,αi、βi为上下文和属性的注意力权重,为上下文中第i个词的词向量,为属性中第i个词的词向量表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910751449.4A CN110489554B (zh) | 2019-08-15 | 2019-08-15 | 基于位置感知互注意力网络模型的属性级情感分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910751449.4A CN110489554B (zh) | 2019-08-15 | 2019-08-15 | 基于位置感知互注意力网络模型的属性级情感分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110489554A true CN110489554A (zh) | 2019-11-22 |
CN110489554B CN110489554B (zh) | 2021-06-18 |
Family
ID=68551049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910751449.4A Active CN110489554B (zh) | 2019-08-15 | 2019-08-15 | 基于位置感知互注意力网络模型的属性级情感分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110489554B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100376A (zh) * | 2020-09-11 | 2020-12-18 | 湖南大学 | 用于细粒度情感分析的相互增强转换网络 |
CN113220887A (zh) * | 2021-05-31 | 2021-08-06 | 华南师范大学 | 一种利用目标知识增强模型的情感分类方法和装置 |
CN113297352A (zh) * | 2021-06-07 | 2021-08-24 | 苏州大学 | 基于多任务网络的属性级情感分类方法及装置 |
WO2022011681A1 (zh) * | 2020-07-17 | 2022-01-20 | 国防科技大学 | 一种基于迭代补全的知识图谱融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120253792A1 (en) * | 2011-03-30 | 2012-10-04 | Nec Laboratories America, Inc. | Sentiment Classification Based on Supervised Latent N-Gram Analysis |
CN107038480A (zh) * | 2017-05-12 | 2017-08-11 | 东华大学 | 一种基于卷积神经网络的文本情感分类方法 |
CN109408633A (zh) * | 2018-09-17 | 2019-03-01 | 中山大学 | 一种多层注意力机制的循环神经网络模型的构建方法 |
-
2019
- 2019-08-15 CN CN201910751449.4A patent/CN110489554B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120253792A1 (en) * | 2011-03-30 | 2012-10-04 | Nec Laboratories America, Inc. | Sentiment Classification Based on Supervised Latent N-Gram Analysis |
CN107038480A (zh) * | 2017-05-12 | 2017-08-11 | 东华大学 | 一种基于卷积神经网络的文本情感分类方法 |
CN109408633A (zh) * | 2018-09-17 | 2019-03-01 | 中山大学 | 一种多层注意力机制的循环神经网络模型的构建方法 |
Non-Patent Citations (2)
Title |
---|
张周彬 等: ""利用位置增强注意力机制的属性级情感分类"", 《计算机科学与探索》 * |
支淑婷 等: ""基于多注意力长短时记忆的实体属性情感分析"", 《计算机应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022011681A1 (zh) * | 2020-07-17 | 2022-01-20 | 国防科技大学 | 一种基于迭代补全的知识图谱融合方法 |
CN112100376A (zh) * | 2020-09-11 | 2020-12-18 | 湖南大学 | 用于细粒度情感分析的相互增强转换网络 |
CN113220887A (zh) * | 2021-05-31 | 2021-08-06 | 华南师范大学 | 一种利用目标知识增强模型的情感分类方法和装置 |
CN113220887B (zh) * | 2021-05-31 | 2022-03-15 | 华南师范大学 | 一种利用目标知识增强模型的情感分类方法 |
CN113297352A (zh) * | 2021-06-07 | 2021-08-24 | 苏州大学 | 基于多任务网络的属性级情感分类方法及装置 |
CN113297352B (zh) * | 2021-06-07 | 2024-01-16 | 苏州大学 | 基于多任务网络的属性级情感分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110489554B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489538B (zh) | 基于人工智能的语句应答方法、装置及电子设备 | |
CN110489554A (zh) | 基于位置感知互注意力网络模型的属性级情感分类方法 | |
CN103782291B (zh) | 定制自然语言处理引擎 | |
US11210470B2 (en) | Automatic text segmentation based on relevant context | |
CN110532557B (zh) | 一种无监督的文本相似度计算方法 | |
CN109344391A (zh) | 基于神经网络的多特征融合中文新闻文本摘要生成方法 | |
CN111914532B (zh) | 一种中文作文评分方法 | |
CN107330011A (zh) | 多策略融合的命名实体的识别方法及装置 | |
CN108090047A (zh) | 一种文本相似度的确定方法及设备 | |
CN110378409A (zh) | 一种基于要素关联注意力机制的汉越新闻文档摘要生成方法 | |
CN103885933B (zh) | 用于评价文本的情感度及用于评价实体的方法和设备 | |
CN108959258A (zh) | 一种基于表示学习的特定领域集成实体链接方法 | |
CN110765769B (zh) | 一种基于子句特征的实体属性依赖情感分析方法 | |
CN110866121A (zh) | 一种面向电力领域知识图谱构建方法 | |
CN111738002A (zh) | 基于Lattice LSTM的古文领域命名实体识别方法和系统 | |
CN111832278B (zh) | 文档流畅度的检测方法、装置、电子设备及介质 | |
Wu et al. | Community answer generation based on knowledge graph | |
CN110851601A (zh) | 基于分层注意力机制的跨领域情感分类系统及方法 | |
US11669740B2 (en) | Graph-based labeling rule augmentation for weakly supervised training of machine-learning-based named entity recognition | |
CN114417851A (zh) | 一种基于关键词加权信息的情感分析方法 | |
CN116821377A (zh) | 基于知识图谱和大模型的小学语文自动评测系统 | |
CN105677639A (zh) | 一种基于短语结构句法树的英文词义消歧方法 | |
Sinha et al. | NLP-based automatic answer evaluation | |
Rintyarna et al. | Automatic ranking system of university based on technology readiness level using LDA-Adaboost. MH | |
CN116757195A (zh) | 一种基于提示学习的隐性情感识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |