CN112860907A - 一种情感分类方法及设备 - Google Patents

一种情感分类方法及设备 Download PDF

Info

Publication number
CN112860907A
CN112860907A CN202110456524.1A CN202110456524A CN112860907A CN 112860907 A CN112860907 A CN 112860907A CN 202110456524 A CN202110456524 A CN 202110456524A CN 112860907 A CN112860907 A CN 112860907A
Authority
CN
China
Prior art keywords
target sentence
information
sentence
syntactic
target
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
Application number
CN202110456524.1A
Other languages
English (en)
Other versions
CN112860907B (zh
Inventor
陈秉良
薛云
卢国钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suqian silicon based Intelligent Technology Co.,Ltd.
Original Assignee
South China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202110456524.1A priority Critical patent/CN112860907B/zh
Publication of CN112860907A publication Critical patent/CN112860907A/zh
Application granted granted Critical
Publication of CN112860907B publication Critical patent/CN112860907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Abstract

本发明涉及一种情感分类方法及设备，该方法包括：将目标句子对应的嵌入表示输入特征信息提取网络获取句子特征表示；将句子特征表示和权重图输入权重图句法信息提取网络，得到权重图句法信息；将句子特征表示、句法邻接矩阵和语义邻接矩阵输入语义句法信息整合网络，得到语义补充句法信息；根据目标词在目标句子中的位置、权重图句法信息、语义补充句法信息和情感信息提取算法，得到第一情感特征表示和第二情感特征表示；对第一情感特征表示和第二情感特征表示进行融合，将融合后的情感特征表示输入情感分类函数中，得到目标词的情感分类结果。相对于现有技术，本申请能够减少引入不必要的噪音，将语义补充到句法信息中，提高情感分类的准确性。

Description

一种情感分类方法及设备
技术领域
本发明涉及自然语言处理技术领域，特别是涉及一种情感分类方法及设备。
背景技术
情感分类是自然语言处理（Natural Language Processing，NLP）中的重要任务，其目的在于对带有情感色彩的主观性文本进行分类。其中，属性级的情感分类属于细粒度情感分类方法，与传统的情感分类方法不同，其目的主要在于分析出句子中目标词的情感极性。
但是，目前的属性级情感分类方法更多地是利用句子对应的句法依存树，获取其中的句法依存信息，从而利用句法依存信息和深度神经网络去进行目标词的情感极性判断。但是，由于句法依存树中包含了与情感分类不相关的单词之间连接关系，从而引入了不必要的噪声，并且，若句子的句法结构复杂，也会在深度神经网络的传递过程中损失很多关键信息，影响最终分类结果的准确性。
发明内容
为克服相关技术中存在的问题，本发明实施例提供了一种情感分类方法及设备。
根据本发明实施例的第一方面，提供一种情感分类方法，包括如下步骤：
获取文本中目标句子对应的嵌入表示；其中，所述目标句子中包括上下文和目标词，所述目标词中至少包括一个单词；
将所述目标句子对应的嵌入表示输入预设的特征信息提取网络，获取所述目标句子对应的句子特征表示；
获取所述目标句子对应的权重图；其中，所述权重图中包括信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率；
将所述目标句子对应的句子特征表示和所述目标句子对应的权重图输入预设的权重图句法信息提取网络，得到所述目标句子对应的权重图句法信息；
获取所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵；
将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入预设的语义句法信息整合网络，得到所述目标句子对应的语义补充句法信息；
根据所述目标词在所述目标句子中的位置、所述权重图句法信息、所述语义补充句法信息和预设的情感信息提取算法，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示；
对所述第一情感特征表示和所述第二情感特征表示进行融合，得到融合后的情感特征表示，将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。
根据本发明实施例的第二方面，提供一种情感分类设备，包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述方法的步骤。
在本申请实施例中，通过获取文本中目标句子对应的嵌入表示；其中，所述目标句子中包括上下文和目标词，所述目标词中至少包括一个单词；将所述目标句子对应的嵌入表示输入预设的特征信息提取网络，获取所述目标句子对应的句子特征表示；获取所述目标句子对应的权重图；其中，所述权重图中包括信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率；将所述目标句子对应的句子特征表示和所述目标句子对应的权重图输入预设的权重图句法信息提取网络，得到所述目标句子对应的权重图句法信息；获取所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵；将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入预设的语义句法信息整合网络，得到所述目标句子对应的语义补充句法信息；根据所述目标词在所述目标句子中的位置、所述权重图句法信息、所述语义补充句法信息和预设的情感信息提取算法，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示；对所述第一情感特征表示和所述第二情感特征表示进行融合，得到融合后的情感特征表示，将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。本申请实施例由于获取的权重图中包括了信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率，从而使得在句法信息提取的过程中，能够削弱不相关节点的信息传递，从而减少引入不必要的噪音，并且，还基于语义句法信息整合网络，将从语义邻接矩阵中提取到的语义信息整合到句法信息中，得到语义补充句法信息，弥补了信息传递过程中的损失，最后通过融合权重图句法信息和语义补充句法信息，利用融合后的情感特征表示进行情感分类，提高了最终情感分类结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性实施例提供的情感分类方法的流程示意图；
图2为本发明一个示例性实施例提供的情感分类方法中S101的流程示意图；
图3为本发明一个示例性实施例提供的情感分类方法中S102的流程示意图；
图4为本发明一个示例性实施例提供的情感分类方法中S103的流程示意图；
图5为本发明一个示例性实施例提供的情感分类方法中S106的流程示意图；
图6为本发明一个示例性实施例提供的情感分类方法中S107的流程示意图；
图7为本发明一个示例性实施例提供的情感分类设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本发明一个示例性实施例提供的情感分类方法的流程示意图，所述方法由情感分类设备（以下简称情感分类设备）执行，包括如下步骤：
S101：获取文本中目标句子对应的嵌入表示；其中，所述目标句子中包括上下文和目标词，所述目标词中至少包括一个单词。
在本申请实施例中，情感分类设备先获取文本中的目标句子，再根据目标句子得到其对应的嵌入表示。
其中，所述目标句子包括上下文和目标词，所述目标词中至少包括一个单词。
情感分类设备根据目标句子得到其对应的嵌入表示的过程是将目标句子中的每个单词映射为一个向量，再根据目标句子中各个单词对应的向量组成一个矩阵，该矩阵即为目标句子对应的嵌入表示。
在一个可选的实施例中，情感分类设备可以仅利用词向量工具，将目标句子中的每个单词映射为一个词向量，再根据各个单词对应的词向量组成一个词向量矩阵，得到目标句子对应的嵌入表示。
其中，在一些例子中，该词向量工具可以为Glove词嵌入工具，在另一些例子中，也可以为其他词嵌入工具，在此不进行限定。
在另一个可选的实施例中，为更好地将目标句子转化为嵌入表示，请参阅图2，步骤S101包括步骤S1011~S1012，具体如下：
S1011：获取所述目标句子对应的词嵌入表示和所述目标句子对应的词性标签嵌入表示。
情感分类设备基于词嵌入工具得到目标句子对应的词嵌入表示，并根据标签嵌入工具得到目标句子对应的词性标签嵌入表示。
其中，目标句子对应的词性标签嵌入表示包括目标句子中每个单词对应的词性标签的嵌入表示。
在一些例子中，该标签向量工具可以为part-of-speech（PoS）标签嵌入工具，在另一些例子中，也可以为标签嵌入工具，在此不进行限定。
S1012：拼接所述目标句子对应的词嵌入表示和所述目标句子对应的词性标签嵌入表示，得到所述目标句子对应的嵌入表示。
情感分类设备将目标句子中每个单词对应的词嵌入表示和词性标签嵌入表示进行首尾拼接，得到每个单词对应的嵌入表示，最终得到目标句子对应的嵌入表示。
其中,目标句子对应的嵌入表示为
Figure 264660DEST_PATH_IMAGE001
，
Figure 791587DEST_PATH_IMAGE002
表示目标句子中第 i个单词对应的嵌入表示。
S102：将所述目标句子对应的嵌入表示输入预设的特征信息提取网络，获取所述目标句子对应的句子特征表示。
所述特征信息提取网络预先设置在情感分类设备中，用于提取目标句子中的特征信息。具体地，情感分类设备获取到目标句子对应的嵌入表示之后，将目标句子对应的嵌入表示输入预设的特征信息提取网络，获取目标句子对应的句子特征表示。
在一个可选的实施例中，所述特征信息提取网络为双向GRU神经网络。
在另一个可选的实施例中，所述特征信息提取网络也可以为其他类型的循环神经网络，例如：长短期记忆网络、双向长短期记忆网络。
请参阅图3，为更准确地获取所述目标句子对应的句子特征表示，步骤S102包括步骤S1021~S1022，具体如下：
S1021：将所述目标句子对应的嵌入表示输入至预设的双向GRU神经网络，获取所述目标句子对应的前向句子特征表示和所述目标句子对应的后向句子特征表示。
在本申请实施例中，双向GRU神经网络（Bi-GRU）预先设置在情感分类设备中，相较于双向长短期记忆网络，其提取到的句子特征不仅不会减少，而且提取过程的效率会更高。
具体地，情感分类设备将所述目标句子对应的嵌入表示输入至预设的双向GRU神经网络，获取所述目标句子对应的前向句子特征表示和所述目标句子对应的后向句子特征表示。
其中，预设的双向神经网络中包括用于提取前向句子特征表示的前向GRU网络和用于提取后向句子特征表示的后向GRU网络。
在本申请实施例中，目标句子对应的前向句子特征表示为
Figure 571325DEST_PATH_IMAGE003
，
Figure 966534DEST_PATH_IMAGE004
， 其中，
Figure 843223DEST_PATH_IMAGE005
表示前向GRU网络，
Figure 665686DEST_PATH_IMAGE002
表示目标句子中第i个单词对应的嵌入表示；目标句子对 应的后向句子特征表示为
Figure 198298DEST_PATH_IMAGE006
，
Figure 397198DEST_PATH_IMAGE007
，其中，
Figure 66077DEST_PATH_IMAGE008
表示后向GRU网络。
S1022：拼接所述前向句子特征表示和所述后向句子特征表示，得到所述目标句子对应的句子特征表示。
情感分类设备将所述前向句子特征表示和所述后向句子特征表示首位拼接，得到 所述目标句子对应的句子特征表示
Figure 59441DEST_PATH_IMAGE009
。
其中，
Figure 420627DEST_PATH_IMAGE010
，
Figure 157639DEST_PATH_IMAGE011
表示目标句子中各个单词对应的特征表示，
Figure 556391DEST_PATH_IMAGE012
表示目标词中各个单词对应的特征表示。
S103：获取所述目标句子对应的权重图；其中，所述权重图中包括信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率。
在本申请实施例中，将目标句子对应的句法依存树转换为权重图，并且，在该权重图中并不是所有邻接的单词对应的节点都享有相同的权重，而是考虑了单词对应的节点之间的节点依存类型，根据节点之间的节点依存类型去调节权重的大小，也就是根据节点之间的节点依存类型调节信息从目标句子中单词对应的节点传递到单词对应的节点的邻接节点的概率。
该权重图在情感分类设备中会以邻接矩阵的方式去存储。也就是说，本实施例中邻接矩阵内存储的即是信息从目标句子中单词对应的节点传递到单词对应的节点的邻接节点的概率。
具体地，在一个可选的实施例中，为准确地获取到目标句子对应的权重图，请参阅图4，步骤S103包括步骤S1031~S1032，如下所示：
S1031：获取所述目标句子对应的句法依存树和节点依存类型对应的嵌入表示；其中，所述句法依存树中包括所述目标句子中单词对应的节点以及邻接的所述节点之间的节点依存类型。
在本申请实施例中，可以通过biaffine依存句法分析器获取目标句子对应的句法依存树。
获取到的目标句子对应的句法依存树中包括目标句子中各个单词对应的节点以及邻接的所述节点之间的节点依存类型。
在获取节点依存类型对应的嵌入表示之前，情感分类设备还需要对文本中各个句子中存在的节点依存类型进行统计，并获取每一种节点依存类型对应的嵌入表示。
S1032：根据所述目标句子对应的句子特征表示、所述目标句子对应的句法依存树、所述节点依存类型对应的嵌入表示和预设的权重图生成算法，生成所述目标句子对应的权重图。
在本申请实施例中，该权重图生成算法预先设置在情感分类设备中，情感分类设备根据所述目标句子对应的句子特征表示、所述目标句子对应的句法依存树、所述节点依存类型对应的嵌入表示和预设的权重图生成算法，生成所述目标句子对应的权重图。
具体地，情感分类设备首先根据目标句子对应的句子特征表示，得到目标句子中单词对应的特征表示。
之后，情感分类设备根据句法依存树中邻接的节点之间的节点依存类型和节点依存类型对应的嵌入表示，得到句法依存树中邻接的节点之间的节点依存类型对应的嵌入表示。
再之后，情感分类设备根据目标句子中单词对应的特征表示、句法依存树中邻接的节点之间的节点依存类型对应的嵌入表示和预设的注意力值计算公式，得到目标句子中单词对应的节点相对于单词对应的节点的邻接节点的注意力值。
其中，预设的注意力值计算公式如下：
Figure 986235DEST_PATH_IMAGE013
Figure 227861DEST_PATH_IMAGE014
表示句法依存树中邻接的第i个节点和第j个节点之间的节点依存类型对应的 嵌入表示；
Figure 316033DEST_PATH_IMAGE015
表示可训练参数矩阵；
Figure 959504DEST_PATH_IMAGE016
表示目标句子对应的句子特征表示
Figure 294671DEST_PATH_IMAGE009
中第i个 单词对应的特征表示；
Figure 289172DEST_PATH_IMAGE017
表示目标句子对应的句子特征表示
Figure 367986DEST_PATH_IMAGE009
中j个单词对应的特征表 示；“；”表示拼接；“
Figure 865963DEST_PATH_IMAGE018
”表示向量的点乘；
Figure 247397DEST_PATH_IMAGE019
表示在向量维度方向上求和；
Figure 198036DEST_PATH_IMAGE020
表示激活 函数；
Figure 80541DEST_PATH_IMAGE021
表示目标句子中第i个单词对应的节点相对于第j个节点的注意力值，第j个节点 是第i个节点的邻接节点。
最后，情感分类设备对目标句子中单词对应的节点相对于节点的邻接节点的注意力值进行归一化操作，得到信息从目标句子中单词对应的节点传递到单词对应的节点的邻接节点的概率。
其中，进行归一化操作的公式如下：
Figure 698604DEST_PATH_IMAGE022
Figure 641153DEST_PATH_IMAGE023
表示目标句子中第i个单词对应的节点相对于第j个节点的注意力值，k表示目 标句子中单词对应的节点的序号，
Figure 79087DEST_PATH_IMAGE024
表示目标句子中第i个单词对应的节点的所有邻接节 点的序号合集；
Figure 562021DEST_PATH_IMAGE025
表示目标句子中第i个单词对应的节点相对于第k个节点的注意力值；
Figure 34591DEST_PATH_IMAGE026
表示指数函数；
Figure 760757DEST_PATH_IMAGE027
表示目标句子中第i个单词对应的节点传递到第j个单词对应的节 点的概率，第j个节点是第i个节点的邻接节点。
在本实施例中通过上述方式获取到了更为准确的权重图，相较于以往所有邻接的节点都享有相同权重的方式，该种权重图能够赋予句法关系更密切的邻接节点更多的注意力，从而在后续提取句法信息的过程中，减少不必要的噪音。
S104：将所述目标句子对应的句子特征表示和所述目标句子对应的权重图输入预设的权重图句法信息提取网络，得到所述目标句子对应的权重图句法信息。
在本申请实施例中，该权重图句法信息提取网络预先设置在情感分类设备中，情感分类设备在获取到目标句子对应的句子特征表示和目标句子对应的权重图之后，将其输入至预设的权重图句法信息提取网络，得到目标句子对应的权重图句法信息。
其中，该权重图句法信息提取网络为图卷积网络（Graph ConvolutionalNetworks ，GCNs）。
在本实施例中，目标句子对应的权重图句法信息用
Figure 685988DEST_PATH_IMAGE028
表示，
Figure 910295DEST_PATH_IMAGE029
，其中，
Figure 971792DEST_PATH_IMAGE009
为目标句子对应的句子特征表示，
Figure 521722DEST_PATH_IMAGE030
为权重图对应 的邻接矩阵，
Figure 934249DEST_PATH_IMAGE031
表示该权重图句法信息提取网络，也即图卷积网络，
Figure 572035DEST_PATH_IMAGE032
表示图卷积 网络的层数。
在一个可选的实施例中，该权重图句法信息提取网络中第
Figure 753618DEST_PATH_IMAGE033
层的运算公式如 下：
Figure 943291DEST_PATH_IMAGE034
其中，
Figure 843113DEST_PATH_IMAGE027
表示目标句子中第i个单词对应的节点传递到第j个单词对应的节点的 概率，
Figure 674803DEST_PATH_IMAGE035
表示目标句子中第j个单词在权重图句法信息提取网络中第
Figure 976472DEST_PATH_IMAGE036
层的输出结果；
Figure 150095DEST_PATH_IMAGE037
和
Figure 537214DEST_PATH_IMAGE038
均为可训练模型参数；n表示目标句子中单词的个数；
Figure 907016DEST_PATH_IMAGE039
表示激活函数，为Relu函数；
Figure 407398DEST_PATH_IMAGE040
表示目标句子中第i个单词在权重图句法信息提取网络中第
Figure 204453DEST_PATH_IMAGE033
层的输出结果。
S105：获取所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵。
情感分类设备利用biaffine依存句法分析器获取目标句子对应的句法依存树，在情感分类设备中句法依存树对应的句法依存图以句法邻接矩阵的方式存储。
其中，目标句子对应的句法邻接矩阵表示为
Figure 813289DEST_PATH_IMAGE041
。
Figure 252360DEST_PATH_IMAGE042
Figure 263042DEST_PATH_IMAGE043
，
Figure 230998DEST_PATH_IMAGE044
表示第i个单词对应的第一归一化常数，
Figure 389447DEST_PATH_IMAGE045
表示第i个单 词对应的节点在句法依存图中的度；
Figure 101051DEST_PATH_IMAGE046
表示第i个单词对应的节点与第j个 单词对应的节点为邻接节点。
情感分类设备利用Hanlp语义分析器获取目标句子对应的语义依存图，在情感分类设备中语义依存图以语义邻接矩阵的方式存储。
其中，目标句子对应的句法邻接矩阵表示为
Figure 966238DEST_PATH_IMAGE047
。
Figure 915215DEST_PATH_IMAGE048
Figure 498643DEST_PATH_IMAGE049
Figure 748359DEST_PATH_IMAGE050
，
Figure 795950DEST_PATH_IMAGE051
表示第i个单词对应的第二归一化常数，
Figure 105708DEST_PATH_IMAGE052
表示第i个 单词对应的节点在语义依存图中的度，
Figure 176432DEST_PATH_IMAGE046
表示第i个单词对应的节点与第j 个单词对应的节点为邻接节点。
S106：将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入预设的语义句法信息整合网络，得到所述目标句子对应的语义补充句法信息。
在本申请实施例中，该语义句法信息整合预先设置在情感分类设备中，其能够对目标句子对应的句子特征表示中的句法信息和语义信息进行整合，得到目标句子对应的语义补充句法信息。
在一个可选的实施例中，为准确地获取目标句子对应的语义补充句法信息，请参阅图5，步骤S106包括步骤S1061~S1062，具体如下：
S1061：将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入至预设的图卷积网络，得到所述目标句子对应的句法依存信息和所述目标句子对应的语义依存信息。
在本申请实施例中，预设的图卷积网络表示为
Figure 839626DEST_PATH_IMAGE053
，其中，
Figure 679406DEST_PATH_IMAGE054
表示该图卷积网 络的层数。
Figure 160066DEST_PATH_IMAGE055
其中，
Figure 718086DEST_PATH_IMAGE047
为目标句子对应的句法邻接矩阵，
Figure 575184DEST_PATH_IMAGE041
为目标句子对应的句法邻接 矩阵，
Figure 269470DEST_PATH_IMAGE009
为目标句子对应的句子特征表示，
Figure 734081DEST_PATH_IMAGE056
为目标句子对应的句法依存信息，
Figure 779397DEST_PATH_IMAGE057
为目标句子对应的语义依存信息。
预设的图卷积网络表示
Figure 174607DEST_PATH_IMAGE053
的激活函数为Relu函数。
S1062：根据所述句法依存信息、所述语义依存信息和预设的门控整合算法，得到所述目标句子对应的语义补充句法信息。
在本申请实施例中，该门控整合算法预先设置在情感分类设备中，其能够通过门控机制对句法依存信息和语义依存信息进行整合，得到目标句子对应的语义补充句法信息。
具体地，情感分类设备首先根据所述句法依存信息、所述语义依存信息和预设的整合得分计算公式，获取所述目标句子对应的整合得分。
其中，预设的整合得分计算公式如下：
Figure 785716DEST_PATH_IMAGE058
Figure 873758DEST_PATH_IMAGE059
表示可训练参数，T表示求转置，
Figure 140791DEST_PATH_IMAGE056
为目标句子对应的句法依存信息，
Figure 152741DEST_PATH_IMAGE057
为目标句子对应的语义依存信息，S为目标句子对应的整合得分。
之后，情感分类设备对所述目标句子对应的整合得分进行最大池化操作，得到所述目标句子对应的门控因子。
其中，目标句子对应的门控因子为
Figure 556040DEST_PATH_IMAGE060
，
Figure 814983DEST_PATH_IMAGE061
，
Figure 631630DEST_PATH_IMAGE062
表示 Sigmoid函数，
Figure 368642DEST_PATH_IMAGE063
表示进行最大池化操作，S为目标句子对应的整合得分。
最后，情感分类设备根据所述门控因子对所述句法依存信息和所述语义依存信息进行整合，得到所述目标句子对应的语义补充句法信息。
其中，目标句子对应的语义补充句法信息表示为
Figure 892027DEST_PATH_IMAGE064
，
Figure 126131DEST_PATH_IMAGE065
，
Figure 102178DEST_PATH_IMAGE056
为目标句子对应的句法依存信息，
Figure 642880DEST_PATH_IMAGE057
为目 标句子对应的语义依存信息，
Figure 348668DEST_PATH_IMAGE060
为目标句子对应的门控因子，“
Figure 683835DEST_PATH_IMAGE018
”表示向量的点乘。
在本实施例中设计了一种门控机制能够对所述句法依存信息和所述语义依存信息进行更好地整合，使目标句子对应的语义补充句法信息饱含更多有利于情感分类的信息。
S107：根据所述目标词在所述目标句子中的位置、所述权重图句法信息、所述语义补充句法信息和预设的情感信息提取算法，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示。
在本申请实施例中，该情感信息提取算法预先设置在情感分类设备中，其能够根据目标词在所述目标句子中的位置，分别提取权重图句法信息中与目标词相关的第一情感特征表示，和语义补充句法信息中与目标词相关的第二情感特征表示。
在一个可选的实施例中，请参阅图6，步骤S107包括步骤S1071~S1072，具体如下：
S1071：根据所述目标词在所述目标句子中的位置，对所述权重图句法信息和所述语义补充句法信息进行信息遮蔽操作，得到信息遮蔽后的所述权重图句法信息和所述语义补充句法信息。
由前述可知，目标句子对应的句子特征表示为
Figure 225806DEST_PATH_IMAGE066
。
Figure 304620DEST_PATH_IMAGE067
，其中，
Figure 802597DEST_PATH_IMAGE068
表示目标词 中各个单词对应的特征表示，也就是目标词在句子中的位置为从
Figure 370982DEST_PATH_IMAGE069
到
Figure 400249DEST_PATH_IMAGE070
。
情感分类设备根据目标词在所述目标句子中的位置，对权重图句法信息和语义补充句法信息进行信息遮蔽操作，得到信息遮蔽后的权重图句法信息和语义补充句法信息。
其中，
Figure 345071DEST_PATH_IMAGE071
表示信息遮蔽后的权重图句法信息，
Figure 697555DEST_PATH_IMAGE028
表示目标句 子对应的权重图句法信息，
Figure 640103DEST_PATH_IMAGE072
表示信息遮蔽后的语义补充句法信息，
Figure 78038DEST_PATH_IMAGE064
表示目标句子对应的语义补充句法信息。
Figure 311704DEST_PATH_IMAGE073
其中，t表示第t个单词在目标句子中的位置，
Figure 784274DEST_PATH_IMAGE069
表示目标词在目标句子中的 起始位置，
Figure 694461DEST_PATH_IMAGE070
表示目标词在目标句子中的终止位置。
S1072：对信息遮蔽后的所述权重图句法信息和所述语义补充句法信息进行平均池化操作，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示。
情感分类设备对信息遮蔽后的所述权重图句法信息和所述语义补充句法信息进行平均池化操作，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示。
其中，权重图句法信息对应的第一情感特征表示为
Figure 619692DEST_PATH_IMAGE074
和语义补充句法信息对应 的第二情感特征表示
Figure 844000DEST_PATH_IMAGE075
。
S108：对所述第一情感特征表示和所述第二情感特征表示进行融合，得到融合后的情感特征表示，将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。
在本申请实施例中，情感分类设备先对第一情感特征表示和第二情感特征表示进行融合，得到融合后的情感特征表示，之后在将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。
具体地，情感分类设备先根据所述第一情感特征表示、所述第二情感特征表示和预设的加权融合公式，得到所述融合后的情感特征表示。
其中，预设的加权融合公式如下：
Figure 981196DEST_PATH_IMAGE076
Figure 265546DEST_PATH_IMAGE077
表示可训练参数矩阵，
Figure 678073DEST_PATH_IMAGE075
语义补充句法信息对应的第二情感特征表示，
Figure 502810DEST_PATH_IMAGE062
表 示Sigmoid函数，
Figure 684392DEST_PATH_IMAGE074
表示权重图句法信息对应的第一情感特征表示，
Figure 139645DEST_PATH_IMAGE078
为融合后的情 感特征表示。
之后，将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。
其中，预设的情感分类函数如下：
Figure 852517DEST_PATH_IMAGE079
其中，
Figure 418627DEST_PATH_IMAGE078
为融合后的情感特征表示，
Figure 454716DEST_PATH_IMAGE080
和
Figure 143187DEST_PATH_IMAGE081
均为可训练参数矩阵，
Figure 530306DEST_PATH_IMAGE082
为归一化指数函数，
Figure 634528DEST_PATH_IMAGE083
为目标词的情感分类结果。
在本申请实施例中，情感分类的类别包括积极、中性和消极，
Figure 603752DEST_PATH_IMAGE083
也就可以理解为在 积极、中性和消极三种情感分类结果下的概率。
在本申请实施例中，通过获取文本中目标句子对应的嵌入表示；其中，所述目标句子中包括上下文和目标词，所述目标词中至少包括一个单词；将所述目标句子对应的嵌入表示输入预设的特征信息提取网络，获取所述目标句子对应的句子特征表示；获取所述目标句子对应的权重图；其中，所述权重图中包括信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率；将所述目标句子对应的句子特征表示和所述目标句子对应的权重图输入预设的权重图句法信息提取网络，得到所述目标句子对应的权重图句法信息；获取所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵；将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入预设的语义句法信息整合网络，得到所述目标句子对应的语义补充句法信息；根据所述目标词在所述目标句子中的位置、所述权重图句法信息、所述语义补充句法信息和预设的情感信息提取算法，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示；对所述第一情感特征表示和所述第二情感特征表示进行融合，得到融合后的情感特征表示，将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。本申请实施例由于获取的权重图中包括了信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率，从而使得在句法信息提取的过程中，能够削弱不相关节点的信息传递，从而减少引入不必要的噪音，并且，还基于语义句法信息整合网络，将从语义邻接矩阵中提取到的语义信息整合到句法信息中，得到语义补充句法信息，弥补了信息传递过程中的损失，最后通过融合权重图句法信息和语义补充句法信息，利用融合后的情感特征表示进行情感分类，提高了最终情感分类结果的准确性。
在一个可选的实施例中，情感分类设备在基于本申请实施例提出的情感分类方法对目标词进行情感分类之前，需要使用训练数据对情感分类方法相对应的情感分类模型（Bi-BGCN）进行整体训练。
具体地，本申请实施例采用Adam 优化算法和L2 正则化的交叉熵损失函数进行情感分类模型（Bi-BGCN）的参数训练。
L2 正则化的交叉熵损失函数如下：
Figure 400807DEST_PATH_IMAGE084
其中，i为第i个训练样本的下标，j为第j个情感分类类别的下标，y是真实的情感 分类结果，p为预测的情感分类结果，P为情感分类的类别数量，
Figure 9643DEST_PATH_IMAGE085
为情感分类模型（Bi- BGCN）中的所有可训练参数，
Figure 245452DEST_PATH_IMAGE086
为正则化项的系数。
关于Adam算法在此不进行赘述，为现有的参数优化算法。
请参见图7，为本申请一个实施例提供的情感分类设备的结构示意图。如图7所示，该情感分类设备7可以包括：处理器70、存储器71以及存储在该存储器71并可以在该处理器70上运行的计算机程序72，例如：情感分类程序；该处理器70执行该计算机程序72时实现上述各方法实施例中的步骤，例如图1所示的步骤S101至S108。
其中，处理器70可以包括一个或多个处理核心。处理器70利用各种接口和线路连接情感分类设备7内的各个部分，通过运行或执行存储在存储器71内的指令、程序、代码集或指令集，以及调用存储器71内的数据，执行情感分类设备7的各种功能和处理数据，可选的，处理器70可以采用数字信号处理（Digital Signal Processing,DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programble Logic Array，PLA）中的至少一个硬件形式来实现。处理器70可集成中央处理器（Central ProcessingUnit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器70中，单独通过一块芯片进行实现。
其中，存储器71可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器71包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器71可用于存储指令、程序、代码、代码集或指令集。存储器71可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控指令等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器71可选的还可以是至少一个位于远离前述处理器70的存储装置。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (10)

1.一种情感分类方法，其特征在于，包括步骤：
获取文本中目标句子对应的嵌入表示；其中，所述目标句子中包括上下文和目标词，所述目标词中至少包括一个单词；
将所述目标句子对应的嵌入表示输入预设的特征信息提取网络，获取所述目标句子对应的句子特征表示；
获取所述目标句子对应的权重图；其中，所述权重图中包括信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率；
将所述目标句子对应的句子特征表示和所述目标句子对应的权重图输入预设的权重图句法信息提取网络，得到所述目标句子对应的权重图句法信息；
获取所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵；
将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入预设的语义句法信息整合网络，得到所述目标句子对应的语义补充句法信息；
根据所述目标词在所述目标句子中的位置、所述权重图句法信息、所述语义补充句法信息和预设的情感信息提取算法，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示；
对所述第一情感特征表示和所述第二情感特征表示进行融合，得到融合后的情感特征表示，将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。
2.根据权利要求1所述的情感分类方法，其特征在于，所述获取文本中目标句子对应的嵌入表示，包括步骤：
获取所述目标句子对应的词嵌入表示和所述目标句子对应的词性标签嵌入表示；
拼接所述目标句子对应的词嵌入表示和所述目标句子对应的词性标签嵌入表示，得到所述目标句子对应的嵌入表示。
3.根据权利要求1所述的情感分类方法，其特征在于，所述将所述目标句子对应的嵌入表示输入预设的特征信息提取网络，获取所述目标句子对应的句子特征表示，包括步骤：
将所述目标句子对应的嵌入表示输入至预设的双向GRU神经网络，获取所述目标句子对应的前向句子特征表示和所述目标句子对应的后向句子特征表示；
拼接所述前向句子特征表示和所述后向句子特征表示，得到所述目标句子对应的句子特征表示。
4.根据权利要求1所述的情感分类方法，其特征在于，所述获取所述目标句子对应的权重图，包括步骤：
获取所述目标句子对应的句法依存树和节点依存类型对应的嵌入表示；其中，所述句法依存树中包括所述目标句子中单词对应的节点以及邻接的所述节点之间的节点依存类型；
根据所述目标句子对应的句子特征表示、所述目标句子对应的句法依存树、所述节点依存类型对应的嵌入表示和预设的权重图生成算法，生成所述目标句子对应的权重图。
5.根据权利要求4所述的情感分类方法，其特征在于，所述根据所述目标句子对应的句子特征表示、所述目标句子对应的句法依存树、所述节点依存类型对应的嵌入表示和预设的权重图生成算法，生成所述目标句子对应的权重图，包括步骤：
根据所述目标句子对应的句子特征表示，得到所述目标句子中单词对应的特征表示；
根据所述句法依存树中邻接的所述节点之间的节点依存类型和所述节点依存类型对应的嵌入表示，得到所述句法依存树中邻接的所述节点之间的节点依存类型对应的嵌入表示；
根据所述目标句子中单词对应的特征表示、所述句法依存树中邻接的所述节点之间的节点依存类型对应的嵌入表示和预设的注意力值计算公式，得到所述目标句子中单词对应的节点相对于所述单词对应的节点的邻接节点的注意力值；
对所述目标句子中单词对应的节点相对于所述节点的邻接节点的注意力值进行归一化操作，得到信息从所述目标句子中单词对应的节点传递到所述单词对应的节点的邻接节点的概率。
6.根据权利要求1所述的情感分类方法，其特征在于，所述将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入预设的语义句法信息整合网络，得到所述目标句子对应的语义补充句法信息，包括步骤：
将所述目标句子对应的句子特征表示、所述目标句子对应的句法邻接矩阵和所述目标句子对应的语义邻接矩阵输入至预设的图卷积网络，得到所述目标句子对应的句法依存信息和所述目标句子对应的语义依存信息；
根据所述句法依存信息、所述语义依存信息和预设的门控整合算法，得到所述目标句子对应的语义补充句法信息。
7.根据权利要求6所述的情感分类方法，其特征在于，所述根据所述句法依存信息、所述语义依存信息和预设的门控整合算法，得到所述目标句子对应的语义补充句法信息，包括步骤；
根据所述句法依存信息、所述语义依存信息和预设的整合得分计算公式，获取所述目标句子对应的整合得分；
对所述目标句子对应的整合得分进行最大池化操作，得到所述目标句子对应的门控因子；
根据所述门控因子对所述句法依存信息和所述语义依存信息进行整合，得到所述目标句子对应的语义补充句法信息。
8.根据权利要求1所述的情感分类方法，其特征在于，所述根据所述目标词在所述目标句子中的位置、所述权重图句法信息、所述语义补充句法信息和预设的情感信息提取算法，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示，包括步骤：
根据所述目标词在所述目标句子中的位置，对所述权重图句法信息和所述语义补充句法信息进行信息遮蔽操作，得到信息遮蔽后的所述权重图句法信息和所述语义补充句法信息；
对信息遮蔽后的所述权重图句法信息和所述语义补充句法信息进行平均池化操作，得到所述权重图句法信息对应的第一情感特征表示和所述语义补充句法信息对应的第二情感特征表示。
9.根据权利要求1所述的情感分类方法，其特征在于，所述对所述第一情感特征表示和所述第二情感特征表示进行融合，得到融合后的情感特征表示，将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果，包括步骤：
根据所述第一情感特征表示、所述第二情感特征表示和预设的加权融合公式，得到所述融合后的情感特征表示；
将所述融合后的情感特征表示输入预设的情感分类函数中，得到所述目标词的情感分类结果。
10.一种情感分类设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一所述方法的步骤。
CN202110456524.1A 2021-04-27 2021-04-27 一种情感分类方法及设备 Active CN112860907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110456524.1A CN112860907B (zh) 2021-04-27 2021-04-27 一种情感分类方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110456524.1A CN112860907B (zh) 2021-04-27 2021-04-27 一种情感分类方法及设备

Publications (2)

Publication Number Publication Date
CN112860907A true CN112860907A (zh) 2021-05-28
CN112860907B CN112860907B (zh) 2021-06-29

Family

ID=75992910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110456524.1A Active CN112860907B (zh) 2021-04-27 2021-04-27 一种情感分类方法及设备

Country Status (1)

Country Link
CN (1) CN112860907B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254648A (zh) * 2021-06-22 2021-08-13 暨南大学 一种基于多层次图池化的文本情感分析方法
CN113598774A (zh) * 2021-07-16 2021-11-05 中国科学院软件研究所 基于多通道脑电数据的积极情绪多标签分类方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138510A (zh) * 2015-08-10 2015-12-09 昆明理工大学 一种基于微博的新词情感倾向判定方法
CN106547735A (zh) * 2016-10-25 2017-03-29 复旦大学 基于深度学习的上下文感知的动态词或字向量的构建及使用方法
CN107577665A (zh) * 2017-09-11 2018-01-12 电子科技大学 文本情感倾向的判别方法
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
CN110472003A (zh) * 2019-08-08 2019-11-19 东北大学 基于图卷积网络的社交网络文本情感细粒度分类方法
CN110619044A (zh) * 2019-08-16 2019-12-27 华南师范大学 一种情感分析方法、系统、存储介质及设备
CN110826336A (zh) * 2019-09-18 2020-02-21 华南师范大学 一种情感分类方法、系统、存储介质及设备
CN111259142A (zh) * 2020-01-14 2020-06-09 华南师范大学 基于注意力编码和图卷积网络的特定目标情感分类方法
CN112131383A (zh) * 2020-08-26 2020-12-25 华南师范大学 特定目标的情感极性分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138510A (zh) * 2015-08-10 2015-12-09 昆明理工大学 一种基于微博的新词情感倾向判定方法
CN106547735A (zh) * 2016-10-25 2017-03-29 复旦大学 基于深度学习的上下文感知的动态词或字向量的构建及使用方法
CN107577665A (zh) * 2017-09-11 2018-01-12 电子科技大学 文本情感倾向的判别方法
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
CN110472003A (zh) * 2019-08-08 2019-11-19 东北大学 基于图卷积网络的社交网络文本情感细粒度分类方法
CN110619044A (zh) * 2019-08-16 2019-12-27 华南师范大学 一种情感分析方法、系统、存储介质及设备
CN110826336A (zh) * 2019-09-18 2020-02-21 华南师范大学 一种情感分类方法、系统、存储介质及设备
CN111259142A (zh) * 2020-01-14 2020-06-09 华南师范大学 基于注意力编码和图卷积网络的特定目标情感分类方法
CN112131383A (zh) * 2020-08-26 2020-12-25 华南师范大学 特定目标的情感极性分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王家乾等: "基于混合多头注意力和胶囊网络的特定目标情感分析", 《中文信息学报》 *
薛云等: "面向中文网络评论情感分类的集成学习框架", 《中文信息学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254648A (zh) * 2021-06-22 2021-08-13 暨南大学 一种基于多层次图池化的文本情感分析方法
CN113254648B (zh) * 2021-06-22 2021-10-22 暨南大学 一种基于多层次图池化的文本情感分析方法
CN113598774A (zh) * 2021-07-16 2021-11-05 中国科学院软件研究所 基于多通道脑电数据的积极情绪多标签分类方法及装置
CN113598774B (zh) * 2021-07-16 2022-07-15 中国科学院软件研究所 基于多通道脑电数据的积极情绪多标签分类方法及装置

Also Published As

Publication number Publication date
CN112860907B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN111444340B (zh) 文本分类方法、装置、设备及存储介质
CN107516110B (zh) 一种基于集成卷积编码的医疗问答语义聚类方法
CN107943784B (zh) 基于生成对抗网络的关系抽取方法
CN110297908A (zh) 诊疗方案预测方法及装置
CN109918560A (zh) 一种基于搜索引擎的问答方法和装置
CN112183747A (zh) 神经网络训练的方法、神经网络的压缩方法以及相关设备
CN112860907B (zh) 一种情感分类方法及设备
CN112801219B (zh) 一种多模态情感分类方法、装置及设备
CN113343974B (zh) 考虑模态间语义距离度量的多模态融合分类优化方法
WO2022052505A1 (zh) 基于依存句法的句子主干抽取方法、设备和可读存储介质
CN113255320A (zh) 基于句法树和图注意力机制的实体关系抽取方法及装置
CN113361258A (zh) 基于图卷积网络和选择注意力的方面级情感分析方法及系统
CN112732921B (zh) 一种虚假用户评论检测方法及系统
CN110516035A (zh) 一种混合模块的人机交互方法和系统
CN114528374A (zh) 一种基于图神经网络的电影评论情感分类方法及装置
CN112418320A (zh) 一种企业关联关系识别方法、装置及存储介质
CN108875024B (zh) 文本分类方法、系统、可读存储介质及电子设备
Chan et al. Applying and optimizing NLP model with CARU
CN113159831A (zh) 一种基于改进的胶囊网络的评论文本情感分析方法
CN115906863B (zh) 基于对比学习的情感分析方法、装置、设备以及存储介质
CN111767720A (zh) 一种标题生成方法、计算机及可读存储介质
CN116758558A (zh) 基于跨模态生成对抗网络的图文情感分类方法及系统
CN115630652A (zh) 客服会话情感分析系统、方法及计算机系统
CN113722477B (zh) 基于多任务学习的网民情绪识别方法、系统及电子设备
CN116306612A (zh) 一种词句生成方法及相关设备

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
TR01 Transfer of patent right

Effective date of registration: 20211207

Address after: 223808 Room 201, building B19, insurance Town, Hubin new area, Suqian City, Jiangsu Province

Patentee after: Suqian silicon based Intelligent Technology Co.,Ltd.

Address before: Unit 2414-2416, main building, no.371, Wushan Road, Tianhe District, Guangzhou City, Guangdong Province

Patentee before: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd.

Effective date of registration: 20211207

Address after: Unit 2414-2416, main building, no.371, Wushan Road, Tianhe District, Guangzhou City, Guangdong Province

Patentee after: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd.

Address before: School of physics and telecommunication engineering, South China Normal University, No. 378, Waihuan West Road, Panyu District, Guangzhou City, Guangdong Province, 510006

Patentee before: SOUTH CHINA NORMAL University

TR01 Transfer of patent right