CN111914185B - 一种基于图注意力网络的社交网络中文本情感分析方法 - Google Patents
一种基于图注意力网络的社交网络中文本情感分析方法 Download PDFInfo
- Publication number
- CN111914185B CN111914185B CN202010641453.8A CN202010641453A CN111914185B CN 111914185 B CN111914185 B CN 111914185B CN 202010641453 A CN202010641453 A CN 202010641453A CN 111914185 B CN111914185 B CN 111914185B
- Authority
- CN
- China
- Prior art keywords
- text
- emotion
- social network
- word
- network
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 118
- 238000004458 analytical method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000005406 washing 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图注意力网络的社交网络中文本情感分析方法,属于深度学习和情感分析领域。本发明将同一个节点的不同文本按照时间顺序连接起来,并将一定时间内有关系的不同节点发布的文本按照时间顺序连接起来,以此构造社交网络的结构关系,能够良好的反应社交网络中的情感一致性和情感传播的事实;本发明从图注意力网络对非欧几里得图结构具有良好的特征融合效果出发,将社交网络中节点的特征相互融合,获得包含社交网络关系的情感特征向量,能够有效的把社交网络的信息融合到情感分析中,提升情感分析的准确性;本发明捕获句子的句法信息,提升句子的情感向量表示的性能,以便能够充分结合句子的句法信息提升情感分析的准确性。
Description
技术领域
本发明属于深度学习和情感分析领域,更具体地,涉及一种基于图注意力网络的社交网络中文本情感分析方法。
背景技术
情感分析或观点挖掘是对人们对产品、服务、组织、个人、问题、事件、话题及其属性的观点、情感、情绪、评价和态度的计算研究。早在2000年,情感分析就成为自然语言处理中最活跃的研究领域之一。在数据挖掘、Web挖掘、文本挖掘和信息检索方面得到了广泛的研究。
传统的情感分析通常将文本视为是独立的,然而现实生活中的文本并不是独立的,尤其是在社交网络如推特、博客、贴吧中,这些文本之间包含着丰富的链接关系,这些链接构成的拓扑图结构为情感分析带来了额外的信息,因此引入了链接关系就可以提升情感分析的准确性。
为了融合网络结构,一些传统的做法只是将图嵌入的节点向量和文本抽象的向量相组合或者使相近的节点具有相似的向量表示,再使用分类器进行情感分析,然而如何获取良好的节点嵌入本身就是一个需要解决的问题,而且计算量较大,融合后的结果也不一定能良好地反应二阶邻居节点的信息,例如如果两个人有共同的好友但是他们两个彼此没有关注,还是可以认为这两个人有较大的相似性;且现实中的网络往往较为稀疏,较难捕获丰富的信息;虽然有学者使用关注信息构建了用户相似性矩阵,基于相似度较高的用户发布的文本情感相似性可能也较高的思想进行优化,但是其在优化时的计算方法使用了拉普拉斯矩阵,这就导致该方法只能应用于无向图的情况,且计算量会随着节点的增加快速的增加,也就导致其可能无法处理较大规模的网络,而且缺乏对每个文本的关联性的分析,只是利用用户和用户的相似性来判断用户发布的文档的相似性。此外,在对文本进行分析时,忽略了文本所包含的句法信息,而句法信息包含了许多依赖关系,可以提升获取文本情感向量的效果。
因此,在网络文本日渐丰富,链接关系也更为复杂的情况下,研究如何将社交网络的拓扑信息和情感分析相结合具有重要的应用价值。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于图注意力网络的社交网络中文本情感分析方法,其目的在于使用图注意力网络将文档间的链接信息融入到情感分析任务中,以提升情感分析的准确性。
为实现上述目的,本发明提供了一种基于图注意力网络的社交网络中文本情感分析方法,包括:
S1.对社交网络中的文本进行词嵌入和依存分析,得到每个文本的词向量和依存矩阵;
S2.利用社交网络中用户的关注关系和文本发布时间,构造文本相关矩阵;
S3.构造基于图注意力网络的社交网络情感分析模型;所述情感分析模型包括文本情感特征提取模块、文本情感融合模块和分类模块;
所述文本情感特征提取模块,利用第一图注意力网络将依存矩阵中的信息融合到词向量中,得到包含语法信息的文本情感特征;
所述文本情感融合模块,利用第二图注意力网络将文本相关矩阵中的信息融合到文本情感特征中,得到融合社交网络关系的新的情感特征向量;
所述分类模块,将新的情感特征向量输入至前馈神经网络,得到情感分类结果;
S4.对所述情感分析模型进行迭代训练,直至模型收敛;
S5.对社交网络中的文本进行步骤S1-S2的处理后,输入至训练好的情感分析模型进行情感分析,得到文本的情感分类结果。
进一步地,步骤S1具体包括:
S1.1.利用正则表达式对社交网络中的文本进行清洗,剔除无关内容;
S1.2.对清洗后的文本中包含的中文文本进行分词处理;对包含的英文文本进行词形补全;
S1.3.将所有分词输入已知的词向量库,得到各个分词对应的词向量,将每个文本表示为固定的序列长度和对应词的嵌入;将没有对应词向量的分词表示为固定的缺失向量;
S1.4.对文本中的各个分词进行依存分析得到依存树,将依存树转换成依存矩阵Xd;如果文本中序号为j的词依赖于序号为i的词,则有(Xd)ij=1;否则(Xd)ij=0。
进一步地,步骤S2具体为,
假设关注者发布了一篇文本B,其对应序号为m,其发布时间为t2,被关注者发布了一篇文本A,对应序号为n,发布时间为t1,若t2-t1<t,则认为文本B依赖于文本A,有Xmn=1;t为设定的时间阈值;
遍历整个文档库,得到文本相关矩阵X。
进一步地,文本情感特征提取模块的具体实施过程具体包括:
将文本的词向量以及文本的依存矩阵输入至第一图注意力网络进行迭代,将依存矩阵中的信息融合到词向量中,得到包含语法信息的新的向量;利用LSTM获取整个句子的上下文向量;最后利用注意力机制捕获不同的词对文本情感特征的贡献,获得最终的文本情感特征。
进一步地,文本的词向量以及文本的依存矩阵根据图注意力网络的更新迭代公式进行迭代,以进行特征融合;图注意力网络的更新迭代公式为:
其中,α和W均为参数,为第j个单词的第l次迭代的词向量,n(i)表示与i相邻节点的集合。
进一步地,自注意力机制表达式为:
Z=softmax(QKT)V
其中,w1是情感实体词的原始词向量,为一二次迭代后得到的词向量,WQ,Wk,Wv均为参数矩阵,Q、K、V是中间变量。
进一步地,文本情感融合模块的具体实施过程包括:
将文本情感特征和文本相关矩阵输入到第二图注意力网络中进行迭代,得到融合社交网络关系的新的文本情感特征;利用LSTM和注意力结合的方式,将不同迭代次数的输出视为时序,并将时序的输出进行注意力的计算,得到最终的文本情感特征。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)在社交网络的情境下,社交网络丰富的链接关系可以为情感分析引入额外信息从而增加情感分析的准确性,基于此,本发明利用图注意力网络能够良好的处理非欧几里得图结构卷积问题的特点,来提取社交网络拓扑图中的结构特征,能够有效的把社交网络的信息融合到情感分析中,提升情感分析的准确性。
(2)本发明通过对文本文档数据进行依存分析得到依存树,并且以依存树作为图结构,使用图注意力网络进行特征融合,以捕获句子的句法信息,从而提升句子的情感向量表示的性能,以便能够充分结合句子的句法信息提升情感分析的准确性。
(3)本发明将同一个节点的不同文本按照时间顺序连接起来,并将一定时间内有关系的不同节点发布的文本按照时间顺序连接起来,以此构造社交网络中的文本关系矩阵,即文本拓扑图,不仅利用了用户关注信息,也使用了用户所发文本的话题信息,能够良好的反应社交网络中的情感一致性和情感传播的事实。
附图说明
图1为本发明实施例提供的一种基于图注意力网络的社交网络中文本情感分析方法流程图;
图2为本发明实施例提供的SNSA模型中获取文本情感向量的结构图;
图3为本发明实施例提供的SNSA模型中融合社交网络结构进行分类的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供了一种基于图注意力网络的社交网络中文本情感分析方法,包括:
S1.对社交网络中的文本进行词嵌入和依存分析,得到每个文本的依存矩阵和词向量集合;
步骤S1具体包括:
S1.1.利用正则表达式对社交网络中的文本进行清洗,剔除无关内容;
具体地,对文本“Congress we the people are your boss,not your politicalparty,unions,lobbyists,or the president.Vote no on#hcr#tcot,”
采用以下正则表达式进行清洗;
p0=r′RT@[\w]*′
p1=r′@[\w]*′
p2=r′#[\w]*′
p3=r′(http|ftp|https):W[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?′
p4=r″[^\w\s]″
清洗后的文本变为“Congress we the people are your boss not yourpolitical party unions lobbyists or the president Vote no on”。
S1.2.对清洗后的文本中包含的中文文本进行分词处理;对包含的英文文本进行词形补全;
具体地,对中文进行分词处理,具体如文本“我认为这家店的服务很好”经过分词后会成为“我认为这家店的服务很好”;对包含的英文文本进行词形补全,具体如将don’t转换成do not。
S1.3.将所有分词输入已知的词向量库,得到各个分词对应的词向量,将每个文本表示为固定的序列长度和对应词的嵌入;将没有对应词向量的分词表示为固定的缺失向量;本发明实施例使用Bert(Bidirectional Encoder Representations fromTransformers)作为已知的词向量库对文本进行词嵌入;词嵌入的结果是将一个词变成了一个向量。
S1.4.对文本中的各个分词进行依存分析得到依存树,将依存树转换成依存矩阵Xd;如果文本中序号为j的词依赖于序号为i的词,则有(Xd)ij=1;否则(Xd)ij=0。
S2.根据社交网络中用户的关注关系和文本发布时间,构造文本相关矩阵;
传统的社交网络中情感分析主要解决两个问题,一是短文本的噪声问题,二是对用户进行建模判断用户的相似性,社会科学的研究表明,社交网络中的情感有两种现象,一是情感传播(Emotional Contagion)一个是情感一致性(Sentiment Consistency),第一个理论表明一个人发的博客的情感会影响到关注他的人的博客的情感,第二个表明一个人发的博客的情感可能和自己前面发的博客的情感有关。本发明选择使用这两个原则构造一个所有文本的关联矩阵而不是分析用户的相似性。
步骤S2具体为,
假设关注者发布了一篇文本B,其对应序号为m,其发布时间为t2,被关注者发布了一篇文本A,对应序号为n,发布时间为t1,若t2-t1<t,则认为文本B依赖于文本A,有Xmn=1;t为设定的时间阈值,本发明实施例取12小时;
遍历整个文档库,得到文本相关矩阵X。
S3.构造基于图注意力网络的社交网络情感分析模型;
针对社交网络中情感分析的问题,本发明提出了通过构建文本链接拓扑图,并利用图注意力网络可以良好的处理非欧几里得图结构的卷积问题的特点来提取拓扑图中的结构特征的想法,设计了基于图注意力网络的社交网络情感分析模型(SNSA,SocialNetwork Sentiment Analysis based on Graph Attention Network),该模型包括文本情感特征提取模块和文本情感融合模块;整体思路是:第一个模块输入文本,输出文本的情感特征,第二个模块输入文本的情感特征和文本的关系矩阵,通过图注意力网络融合文本关系矩阵的结构信息,之后使用分类器进行分类。
具体地,文本情感特征提取模块的输入为两个,第一个输入是所有文本的词向量集合;第二个输入是所有文本的依存树,每个文本的依存树使用矩阵来表示。通过图注意力网络和依存树就把句子中的语法信息有效的保存到了新的向量中,将该结果输入到一个LSTM网络中输出上下文向量,并利用注意力机制捕获不同的词对文本的情感特征的贡献。最后经过注意力机制得到的向量即为文本情感特征,引入该注意力机制是希望能够学习到每个单词对情感特征的贡献。
词向量以及文本的依存矩阵根据图注意力网络的更新迭代公式进行迭代,以进行特征融合;图注意力网络的更新迭代公式为:
其中,α和W均为参数,为第j个单词的第l次迭代的词向量,n(i)表示与i相邻节点的集合。
本发明实施例提供的文本情感向量获取过程如图2所示,图中迭代次数为2,wi是情感实体词的原始词向量,则即为一二次迭代后得到的词向量(i=1,2,3,4),注意力机制的计算公式如下:/> Z=soffmax(QKT)V,Q、K、V是中间变量。
如图3所示,将文本情感特征和文本相关矩阵输入到图注意力网络中进行迭代,得到融合社交网络关系的新的文本情感特征;每一个文本可能关注的邻居并不相同,因此使用了不同迭代的次数来将不同阶的邻居特征传播给节点,同时每个文本可能关注的阶数也不同,可能一个文本是关注的一阶邻居而另一个文本是关注的二阶邻居,针对于此同样使用了一个LSTM和注意力结合的方式,即将不同迭代次数的输出视为时序,并将时序的输出进行注意力的计算,得到最终的文本情感特征。最后,将经过注意力机制处理后的特征输入到前馈神经网络进行最后的分类。
上述文本Congress″we the people″are your boss,not your politicalparty,unions,lobbyists,or the president.Vote no on.就会被分为消极类别。
S4.对情感分析模型进行迭代训练,直至模型收敛;
设置模型超参数,包括模型迭代次数、batch size大小以及模型的学习率,图注意网络迭代层数隐藏层大小等,通过训练可以优化参数使得该模型可以预测社交网络中文本的情感分类。
S5.对社交网络中的文本进行步骤S1-S2的处理后,输入至训练好的情感分析模型进行情感分析,得到文本的情感分类结果。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于图注意力网络的社交网络中文本情感分析方法,其特征在于,包括:
S1.对社交网络中的文本进行词嵌入和依存分析,得到每个文本的词向量和依存矩阵;
S2.利用社交网络中用户的关注关系和文本发布时间,构造文本相关矩阵;
S2具体为:假设关注者发布了一篇文本B,其对应序号为m,其发布时间为t2,被关注者发布了一篇文本A,对应序号为n,发布时间为t1,若t2-t1<t,则认为文本B依赖于文本A,有Xmn=1;t为设定的时间阈值;遍历整个文档库,得到文本相关矩阵X;
S3.构造基于图注意力网络的社交网络情感分析模型;所述情感分析模型包括文本情感特征提取模块、文本情感融合模块和分类模块;
所述文本情感特征提取模块,利用第一图注意力网络将依存矩阵中的信息融合到词向量中,得到包含语法信息的文本情感特征;
文本情感特征提取模块的具体实施过程具体包括:将文本的词向量以及文本的依存矩阵输入至第一图注意力网络进行迭代,将依存矩阵中的信息融合到词向量中,得到包含语法信息的新的向量;利用LSTM获取整个句子的上下文向量;最后利用注意力机制捕获不同的词对文本情感特征的贡献,获得最终的文本情感特征;
所述文本情感融合模块,利用第二图注意力网络将文本相关矩阵中的信息融合到文本情感特征中,得到融合社交网络关系的新的情感特征向量;
文本情感融合模块的具体实施过程包括:将文本情感特征和文本相关矩阵输入到第二图注意力网络中进行迭代,得到融合社交网络关系的新的文本情感特征;利用LSTM和注意力结合的方式,将不同迭代次数的输出视为时序,并将时序的输出进行注意力的计算,得到最终的文本情感特征;
所述分类模块,将新的情感特征向量输入至前馈神经网络,得到情感分类结果;
S4.对所述情感分析模型进行迭代训练,直至模型收敛;
S5.对社交网络中的文本进行步骤S1-S2的处理后,输入至训练好的情感分析模型进行情感分析,得到文本的情感分类结果。
2.根据权利要求1所述的一种基于图注意力网络的社交网络中文本情感分析方法,其特征在于,步骤S1具体包括:
S1.1.利用正则表达式对社交网络中的文本进行清洗,剔除无关内容;
S1.2.对清洗后的文本中包含的中文文本进行分词处理;对包含的英文文本进行词形补全;
S1.3.将所有分词输入已知的词向量库,得到各个分词对应的词向量,将每个文本表示为固定的序列长度和对应词的嵌入;将没有对应词向量的分词表示为固定的缺失向量;
S1.4.对文本中的各个分词进行依存分析得到依存树,将依存树转换成依存矩阵Xd;如果文本中序号为j的词依赖于序号为i的词,则有(Xd)ij=1;否则(Xd)ij=0。
3.根据权利要求1所述的一种基于图注意力网络的社交网络中文本情感分析方法,其特征在于,文本的词向量以及文本的依存矩阵根据图注意力网络的更新迭代公式进行迭代,以进行特征融合;图注意力网络的更新迭代公式为:
其中,α和W均为参数,为第j个单词的第l次迭代的词向量,n(i)表示与i相邻节点的集合。
4.根据权利要求1所述的一种基于图注意力网络的社交网络中文本情感分析方法,其特征在于,自注意力机制表达式为:
Z=softmax(QKT)V
其中,w1是情感实体词的原始词向量,为一二次迭代后得到的词向量,WQ,Wk,Wv均为参数矩阵,Q、K、V是中间变量。
5.一种计算机存储介质,其特征在于,所述计算机刻度存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现入权利要求1至4中任一项所述的一种基于图注意力网络的社交网络中文本情感分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641453.8A CN111914185B (zh) | 2020-07-06 | 2020-07-06 | 一种基于图注意力网络的社交网络中文本情感分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641453.8A CN111914185B (zh) | 2020-07-06 | 2020-07-06 | 一种基于图注意力网络的社交网络中文本情感分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914185A CN111914185A (zh) | 2020-11-10 |
CN111914185B true CN111914185B (zh) | 2024-03-22 |
Family
ID=73227409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641453.8A Active CN111914185B (zh) | 2020-07-06 | 2020-07-06 | 一种基于图注意力网络的社交网络中文本情感分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914185B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417314B (zh) * | 2020-11-26 | 2024-07-26 | 清华大学 | 一种社交网络自杀意念检测方法及系统 |
CN112560432B (zh) * | 2020-12-11 | 2023-08-11 | 中南大学 | 基于图注意力网络的文本情感分析方法 |
CN112883145B (zh) * | 2020-12-24 | 2022-10-11 | 浙江万里学院 | 一种面向中文评论的情感多倾向分类方法 |
CN113268675B (zh) * | 2021-05-19 | 2022-07-08 | 湖南大学 | 一种基于图注意力网络的社交媒体谣言检测方法和系统 |
CN113379167B (zh) * | 2021-08-02 | 2022-09-23 | 刘德喜 | 一种网络论坛用户心理危机程度预测方法 |
CN114491029B (zh) * | 2022-01-18 | 2023-07-25 | 四川大学 | 基于图神经网络的短文本相似度计算方法 |
CN114943216B (zh) * | 2022-05-12 | 2024-04-19 | 昆明理工大学 | 基于图注意力网络的案件微博属性级观点挖掘方法 |
CN115292504B (zh) * | 2022-09-29 | 2022-12-06 | 北京如炬科技有限公司 | 实体关系分类方法、装置、设备及存储介质 |
CN117909910A (zh) * | 2024-03-19 | 2024-04-19 | 成都工业学院 | 基于图注意力网络的系统异常日志自动检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543039A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 一种基于深度网络的自然语言情感分析方法 |
CN109582764A (zh) * | 2018-11-09 | 2019-04-05 | 华南师范大学 | 基于依存句法的交互注意力情感分析方法 |
-
2020
- 2020-07-06 CN CN202010641453.8A patent/CN111914185B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582764A (zh) * | 2018-11-09 | 2019-04-05 | 华南师范大学 | 基于依存句法的交互注意力情感分析方法 |
CN109543039A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 一种基于深度网络的自然语言情感分析方法 |
Non-Patent Citations (1)
Title |
---|
基于情感词典和Transformer模型的情感分析算法研究;陈珂;谢博;朱兴统;;南京邮电大学学报(自然科学版)(第01期) * |
Also Published As
Publication number | Publication date |
---|---|
CN111914185A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914185B (zh) | 一种基于图注意力网络的社交网络中文本情感分析方法 | |
US11687728B2 (en) | Text sentiment analysis method based on multi-level graph pooling | |
CN111368074B (zh) | 一种基于网络结构和文本信息的链路预测方法 | |
CN111767725B (zh) | 一种基于情感极性分析模型的数据处理方法及装置 | |
CN107688576B (zh) | 一种cnn-svm模型的构建及倾向性分类方法 | |
CN113220886A (zh) | 文本分类方法、文本分类模型训练方法及相关设备 | |
CN109614611B (zh) | 一种融合生成非对抗网络与卷积神经网络的情感分析方法 | |
CN113239143B (zh) | 融合电网故障案例库的输变电设备故障处理方法及系统 | |
CN112329444A (zh) | 融合文本和传播结构的早期谣言检测方法 | |
CN112199606A (zh) | 一种基于层次用户表示的面向社交媒体的谣言检测系统 | |
Zhang et al. | A hybrid neural network approach for fine-grained emotion classification and computing | |
Wang et al. | Weighted graph convolution over dependency trees for nontaxonomic relation extraction on public opinion information | |
Sun et al. | Graph force learning | |
CN111008329A (zh) | 基于内容分类的页面内容推荐方法及装置 | |
CN114416969A (zh) | 一种基于背景增强的lstm-cnn在线评论情感分类方法及系统 | |
Shukla et al. | Role of hybrid optimization in improving performance of sentiment classification system | |
CN117574915A (zh) | 基于多方数据源的公共数据平台及其数据分析方法 | |
CN111859955A (zh) | 一种基于深度学习的舆情数据分析模型 | |
CN114842247B (zh) | 基于特征累加的图卷积网络半监督节点分类方法 | |
AlSulaim et al. | Prediction of Anime Series' Success using Sentiment Analysis and Deep Learning | |
Sejwal et al. | Sentiment Analysis Using Hybrid CNN-LSTM Approach | |
CN111221941B (zh) | 基于文本内容和行文风格的社交媒体谣言鉴别算法 | |
Alvarado et al. | Detecting Disaster Tweets using a Natural Language Processing technique | |
CN113761874A (zh) | 事件事实性预测方法、装置、电子设备与存储介质 | |
Habib | Tweet sentiment analysis using deep learning technique |
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 |