CN113033215B - 情感检测方法、装置、设备以及存储介质 - Google Patents

情感检测方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN113033215B
CN113033215B CN202110539524.8A CN202110539524A CN113033215B CN 113033215 B CN113033215 B CN 113033215B CN 202110539524 A CN202110539524 A CN 202110539524A CN 113033215 B CN113033215 B CN 113033215B
Authority
CN
China
Prior art keywords
matrix
emotion
word
sentence
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.)
Active
Application number
CN202110539524.8A
Other languages
English (en)
Other versions
CN113033215A (zh
Inventor
肖路巍
薛云
古东宏
胡晓晖
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.)
Nanjing Silicon Intelligence 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 CN202110539524.8A priority Critical patent/CN113033215B/zh
Publication of CN113033215A publication Critical patent/CN113033215A/zh
Application granted granted Critical
Publication of CN113033215B publication Critical patent/CN113033215B/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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic 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
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • 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
    • G06N3/08—Learning methods

Abstract

本申请涉及一种情感检测方法、装置、设备以及存储介质。本申请所述的情感检测方法包括：获取携带有属性词的目标语句；使用句法分析工具获取所述目标语句对应的句法树；根据所述句法树，生成所述目标语句对应的句法距离矩阵；确定所述目标语句的语句编码向量；将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵；将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征；根据所述情感特征，生成所述属性词的情感检测结果。本申请所述的情感检测方法具有提高情感检测结果的准确性的优点。

Description

情感检测方法、装置、设备以及存储介质
技术领域
本申请涉及自然语言处理技术领域，特别是涉及一种情感检测方法、装置、设备以及存储介质。
背景技术
属性级情感检测是自然语言处理（Natural Language Processing，NLP）中的重要任务，其目的在于检测带观点的评论句子中针对某个属性的情感极性。
目前，可以通过将图神经网络(如图卷积网络)对语句的句法树进行运算，缩短属性词和上下文词之间的距离并利用它们间的句法依赖关系来获得情感检测结果，
然而，发明人在研究过程中发现，图神经网络对句法数据进行运算通常使用预定义的人工规则来对句法树结构进行“硬剪枝”，比如规定远距离的单词的关联性为0，使得图神经网络可以关注语句中的重要部分，但这会导致句法信息的丢失，一旦句法解析发生错误，会导致图神经网络去关注错误的语句信息，导致最终的情感检测结果出错，同时，图卷积网络的层数超过2层会导致过度平滑的问题，降低了检测性能，情感检测结果的准确性不高。
因此，如何提高情感检测结果的准确性是一个需要解决的技术问题。
发明内容
基于此，本发明的目的在于，提供一种情感检测方法、装置、设备以及存储介质，其具有提高情感检测结果的准确性的优点。
根据本申请实施例的第一方面，提供一种情感检测方法，所述情感检测方法包括：
获取携带有属性词的目标语句；
使用句法分析工具获取所述目标语句对应的句法树；
根据所述句法树，生成所述目标语句对应的句法距离矩阵，其中，所述句法距离矩阵表示所述目标语句的不同单词之间在所述句法树上的距离；
确定所述目标语句的语句编码向量；
将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵，其中，所述邻接矩阵表示所述目标语句中的不同单词之间的关联性；
将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征；
根据所述情感特征，生成所述属性词的情感检测结果。
根据本申请实施例的第二方面，提供一种情感检测装置，所述情感检测装置包括：
第一获取模块，用于获取携带有属性词的目标语句；
第二获取模块，还用于使用句法分析工具获取所述目标语句对应的句法树；
第一生成模块，用于根据所述句法树，生成所述目标语句对应的句法距离矩阵，其中，所述句法距离矩阵表示所述目标语句的不同单词之间在所述句法树上的距离；
确定模块，用于确定所述目标语句的语句编码向量；
第一输入模块，用于将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵，其中，所述邻接矩阵表示所述目标语句中的不同单词之间的关联性；
第二输入模块，用于将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征；
第二生成模块，用于根据所述情感特征，生成所述属性词的情感检测结果。
根据本申请实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行任意一项所述的情感检测方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现任意一项所述的情感检测方法。
本发明中，可以将携带有属性词的目标语句的语句编码向量输入至多头注意力引导模型中，通过多头注意力机制来学习不同单词之间的联系对识别当前属性词的情感的重要性权重，即学习一个注意力引导的邻接矩阵，这个矩阵刻画了不同词之间语义相关性，降低了句法解析出错导致的情感检测结果出错概率，同时句法距离矩阵保证了网络充分利用句法距离等细粒度信息，能够有效地利用相关信息同时去除不相关信息，提高了情感检测结果的准确性，同时使用稠密连接图卷积层能够避免图卷积网络的层数限制和过度平滑问题，提高了网络的性能，从而进一步提高了情感检测结果的准确性。
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，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本申请。
附图说明
图1为本申请一个实施例提供的一种情感检测方法的示意框图；
图2为本申请一个实施例提供的句法树的示例图；
图3为本申请一个实施例提供的句法距离矩阵的示例图；
图4为本申请一个实施例提供的情感检测装置的结构示意图；
图5为本申请一个实施例提供的一种电子设备的结构示意框图。
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，除非目标句子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”。
实施例一：
请参阅图1，图1为本发明实施例提供的一种情感检测方法的流程图，可以应用在电子设备中，包括如下步骤：
S101：获取携带有属性词的目标语句。
本发明实施例中，首先要获取一个目标语句，比如“我非常享受这旅程”，其中，所述目标语句携带有属性词，所述属性词是指所述目标语句中评价的对象单词，比如“我非常享受这旅程”中的“旅程”一词就是属性词。
S102：使用句法分析工具获取所述目标语句对应的句法树。
如图2所示，图2是本发明实施例提供的句法树的示例图，其中，所述句法树可以用来表示语句的语法结构或语句中单词与单词之间的依存关系。
其中，所述句法树可以通过句法分析工具直接获取，所述句法分析工具可以是SuPar，SuPar 是一个以Biaffine Parser为基本的架构的Python句法分析工具，提供了一系列的state-of-the-art的神经句法分析解析器的实现，上述解析器对应的预训练模型，可以直接加载来解析依存句法树或者成分句法树。
S103：根据所述句法树，生成所述目标语句对应的句法距离矩阵，其中，所述句法距离矩阵表示所述目标语句的不同单词之间在所述句法树上的距离。
其中，所述句法距离矩阵可以用来表示所述目标语句中任意两个单词之间的句法距离，句法距离可以是两个单词在所述句法树上的距离。
如图3所示，图3是本发明实施例提供的句法距离矩阵的示例图，所述句法距离矩阵可以根据所述句法树上不同单词之间的句法距离来获得，比如语句“我非常享受这旅程，结合图2，“享受“和”非常“在句法树上直接相连，路径长度为1，因此，”享受“和”非常“之间的句法距离为1；”我“和”非常“在句法树不直接相连，而是通过”我-享受-非常“这个路径间接相连，路径长度为2，”我“和”非常“的句法距离为2；”我“和”这“通过”我-享受-旅程-这“这个路径间接相连，路径长度为3，”我“和”这“的句法距离为3。
S104：确定所述目标语句的语句编码向量。
可选的，所述确定所述目标语句的语句编码向量，包括如下步骤：
S1041：对所述目标语句进行分词处理，获得多个单词；
S1042：针对每个所述单词，根据预先训练好的词向量模型确定所述单词的词向量、词性向量以及位置向量；
S1043：对所述词向量、所述词性向量以及所述位置向量进行拼接，获得每个所述单词的完整嵌入向量；
S1044：使用双向长短期记忆网络对所述完整嵌入表示进行编码，获得所述目标语句的语句编码向量。
其中，可以使用分词词典对所述目标语句进行分词或使用分词工具等方式对所述目标语句进行分词，本发明对此不作限定。
其中，所述词向量模型可以开源的Glove词向量模型。
在该可选的实施方式中，可以令
Figure 805966DEST_PATH_IMAGE001
为Glove词嵌入矩阵，其中，
Figure 847740DEST_PATH_IMAGE002
表 示词嵌入向量的维度大小，
Figure 814428DEST_PATH_IMAGE003
表示词汇表的单词数。将所述目标语句的每个单词
Figure 209637DEST_PATH_IMAGE004
映射到其对应的词嵌入向量即所述词向量，所述词嵌入向量是Glove词嵌入矩 阵中的一列，通过Glove词嵌入矩阵可以确定每个单词在Glove词嵌入矩阵中的词向量
Figure 961692DEST_PATH_IMAGE005
，词性向量
Figure 784155DEST_PATH_IMAGE006
以及位置向量
Figure 238139DEST_PATH_IMAGE007
，其中，
Figure 437039DEST_PATH_IMAGE008
和表示词 性向量维度大小，
Figure 43601DEST_PATH_IMAGE009
表示位置向量维度大小。对所述词向量、所述词性向量以及所述位置 向量进行拼接可以得到词的完整嵌入向量
Figure 36965DEST_PATH_IMAGE010
，然后可以使用双向长 短期记忆网络(Bi-directional Long Short-term Memory Network, Bi-LSTM) 对词的完 整嵌入向量进行编码，得到所述目标语句的语句编码向量。
S105：将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵，其中，所述邻接矩阵表示所述目标语句中的不同单词之间的关联性。
可选的，所述多头注意力引导模型包括多头注意力引导层以及句法距离调整层，所述将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵，包括如下步骤：
S1051：通过所述多头注意力引导层获取所述语句编码向量对应的注意力引导矩阵，其中，所述注意力引导矩阵包括所述目标语句中不同单词之间的关联的权重值，其中，获取所述注意力引导矩阵的公式为：
Figure 978245DEST_PATH_IMAGE011
其中，
Figure 715256DEST_PATH_IMAGE012
和
Figure 238642DEST_PATH_IMAGE013
是可学习的参数矩阵，
Figure 606169DEST_PATH_IMAGE014
表示矩阵转置操作，
Figure 847795DEST_PATH_IMAGE015
和
Figure 309869DEST_PATH_IMAGE016
都等于所 述语句编码向量的输入，
Figure 953340DEST_PATH_IMAGE017
是所述语句编码向量的尺寸，
Figure 223260DEST_PATH_IMAGE018
是将输入映射为0-1 之间的实数的函数，
Figure 139132DEST_PATH_IMAGE019
表示多头注意力中第
Figure 217946DEST_PATH_IMAGE020
个头学习到的注意力引导矩阵；
S1052：根据所述句法距离矩阵对所述注意力引导矩阵进行调整，获得所述邻接矩 阵，其中，获取所述邻接矩阵
Figure 715924DEST_PATH_IMAGE021
的公式为：
Figure 861472DEST_PATH_IMAGE022
其中，所述
Figure 749794DEST_PATH_IMAGE023
表示所述句法距离矩阵中的单词
Figure 632299DEST_PATH_IMAGE024
和单词
Figure 171734DEST_PATH_IMAGE025
之间的距离，
Figure 114282DEST_PATH_IMAGE026
表 示所述注意力引导矩阵
Figure 489899DEST_PATH_IMAGE027
上单词
Figure 910517DEST_PATH_IMAGE028
和单词
Figure 570037DEST_PATH_IMAGE025
之间的权重值，
Figure 182021DEST_PATH_IMAGE029
是归一化因子，
Figure 107252DEST_PATH_IMAGE030
，
Figure 269243DEST_PATH_IMAGE031
是用于控制句法距离作用的超参数，
Figure 330740DEST_PATH_IMAGE032
表示函数，函数
Figure 739725DEST_PATH_IMAGE033
对所述注意 力引导矩阵
Figure 339202DEST_PATH_IMAGE034
的函数公式为
Figure 367201DEST_PATH_IMAGE035
，函数公式的运算结果是所述邻接矩阵
Figure 486467DEST_PATH_IMAGE021
。
在该可选的实施方式中，所述多头注意力引导层能够通过多头注意力机制来学习不同单词之间的联系对识别当前属性词的情感的重要性权重，其中，多头注意力机制可以捕获语句中长距离的相互依赖的特征，可以将句子中任意两个单词的联系通过一个计算步骤直接联系起来，通过多头注意力机制学习一个注意力引导的邻接矩阵，这个矩阵刻画了不同单词之间的语义相关性。而人工定义的规则，比如设定句法树上距离大于一个阈值(2、3）的两个词直接认为无关系，语义相关性为0，虽然可以让神经网络关注语句中最相关的部分词，但是一旦句法解析的过程出错，则神经网络关注了错误的相关词，最后会很大概率得出错误的结论。利用多头注意力机制来学习并获取到所述目标语句中不同单词之间的语义关系，能够降低句法解析错误的影响，提高了最后得到的情感检测结果的准确性。同时，为了充分利用句法距离等细粒度信息，可以结合所述目标语句的句法距离矩阵来微调所述注意力引导矩阵，进一步确保神经网络关注相关的单词，从而进一步地提高了最后得到的情感检测结果的准确性。
S106：将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征。
可选的，其中，所述稠密连接图卷积层有多个，每个所述稠密连接图卷积层有多个子层，所述将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征，包括如下步骤：
S1061：使用所述稠密连接图卷积层对所述邻接矩阵进行计算，获得每个所述稠密连接图卷积层的隐藏表示，其中，每个所述稠密连接图卷积层的隐藏表示的计算公式为：
Figure 800774DEST_PATH_IMAGE036
其中，
Figure 700596DEST_PATH_IMAGE037
是sigmoid激活函数，
Figure 453658DEST_PATH_IMAGE038
表示第
Figure 755326DEST_PATH_IMAGE039
个稠密连接图卷积层的第
Figure 240534DEST_PATH_IMAGE040
层中节点
Figure 565336DEST_PATH_IMAGE041
的隐藏表示，
Figure 935138DEST_PATH_IMAGE042
，
Figure 36121DEST_PATH_IMAGE043
是所述稠密连接图卷积层的最大个数，
Figure 82444DEST_PATH_IMAGE044
是邻接矩阵的 个数，
Figure 691279DEST_PATH_IMAGE045
表示所述稠密连接图卷积层的初始节点表示与在
Figure 802455DEST_PATH_IMAGE046
层的节点表示的拼接，
Figure 813136DEST_PATH_IMAGE047
是训练获得的参数矩阵，
Figure 968043DEST_PATH_IMAGE048
是训练获得的偏差项，其中，
Figure 1858DEST_PATH_IMAGE049
表示实数，
Figure 900413DEST_PATH_IMAGE050
表示维度为
Figure 765601DEST_PATH_IMAGE051
的实数矩阵，
Figure 842141DEST_PATH_IMAGE052
表示维度为
Figure 425569DEST_PATH_IMAGE053
的实数矩阵，每个所述稠密连接图卷 积层的总层数为
Figure 675285DEST_PATH_IMAGE054
，
Figure 847509DEST_PATH_IMAGE040
表示所述稠密连接图卷积层的第
Figure 157268DEST_PATH_IMAGE040
层，每层中节点表示的维度大小为
Figure 165675DEST_PATH_IMAGE055
，
Figure 219082DEST_PATH_IMAGE056
为所述稠密连接图卷积层的输入向量的尺寸，
Figure 245812DEST_PATH_IMAGE057
，
Figure 664155DEST_PATH_IMAGE058
表示所述邻接矩阵矩阵
Figure 956596DEST_PATH_IMAGE021
上单词
Figure 645DEST_PATH_IMAGE059
和单词
Figure 694931DEST_PATH_IMAGE060
之间的权 重值；
S1062：根据每个所述稠密连接图卷积层的隐藏表示，生成所述稠密连接图卷积层的整合特征表示，其中，所整合特征表示的计算公式为：
Figure 346492DEST_PATH_IMAGE061
其中，
Figure 329492DEST_PATH_IMAGE062
是参数矩阵，
Figure 724701DEST_PATH_IMAGE063
是偏差项，
Figure 460445DEST_PATH_IMAGE064
是
Figure 548487DEST_PATH_IMAGE043
个 稠密连接图卷积层的隐藏表示；
S1063：根据所述整合特征表示以及最大池化函数，生成所述情感特征，其中，所述情感特征的获取公式为：
Figure 815520DEST_PATH_IMAGE065
其中，
Figure 952103DEST_PATH_IMAGE066
为情感特征，
Figure 355403DEST_PATH_IMAGE067
为最大池化函数。
其中，每个稠密连接图卷积层包含
Figure 801296DEST_PATH_IMAGE068
个子层。每个子层中节点表示的维度大小为
Figure 555626DEST_PATH_IMAGE069
，其中
Figure 230321DEST_PATH_IMAGE070
为输入向量的尺寸。例如，如果输入尺寸为256，并且每个紧密连 接的层都有4个子层，则
Figure 753706DEST_PATH_IMAGE071
，则最后一层的输出尺寸为256(4* 64)。
其中，所述邻接矩阵有多个，所述邻接矩阵的个数与所述稠密连接图卷积层的个数一致。
在该可选的实施方式中，使用所述稠密连接图卷积层能够解决图卷积网络的过度平滑问题，从而可以拥有更好的性能，可以提取出更好的特征，从而提高最后得出的情感检测结果的准确性。
S107：根据所述情感特征，生成所述属性词的情感检测结果。
可选的，所述根据所述情感特征，生成所述属性词的情感检测结果，包括如下步骤：
S1071：将所述情感特征输入至预先训练好的全连接层，获得情感类别的输出概率分布，其中，获得所述情感类别的输出概率分布的公式如下：
Figure 183550DEST_PATH_IMAGE072
其中，
Figure 346547DEST_PATH_IMAGE073
为每个情感类别的输出概率分布，
Figure 887250DEST_PATH_IMAGE074
和
Figure 468404DEST_PATH_IMAGE075
是可学习的参数，
Figure 803570DEST_PATH_IMAGE076
是所述 情感特征；
其中，所述多头注意力引导模型、所述稠密连接图卷积层以及所述全连接层构成情感检测模型，所述情感检测模型进行训练的损失函数为带有正则化项的交叉熵损失函数，其中，所述带有正则化项的交叉熵损失函数的公式为：
Figure 719443DEST_PATH_IMAGE077
其中，
Figure 798257DEST_PATH_IMAGE078
表示正确的情感标签，
Figure 296235DEST_PATH_IMAGE079
是正则化项的超参数，
Figure 739985DEST_PATH_IMAGE080
表示参数集合，包括所 述情感检测模型中所有的参数，
Figure 956203DEST_PATH_IMAGE081
是所有的情感类别，符号
Figure 25659DEST_PATH_IMAGE082
表示2范数，
Figure 378143DEST_PATH_IMAGE083
表示 所有参数的2范数，
Figure 320691DEST_PATH_IMAGE084
表示第
Figure 696309DEST_PATH_IMAGE085
个训练样本的正确的情感标签的分布，
Figure 116926DEST_PATH_IMAGE086
表示所述情感检 测模型对第
Figure 776446DEST_PATH_IMAGE085
个训练样本的预测分布，
Figure 624317DEST_PATH_IMAGE087
。
其中，所述正则化项可以是L2正则化项，正则化项是机器学习中对原始损失函数引入额外信息，以便防止过拟合和提高模型泛化性能，正则化项的目的是防止模型学习到过于复杂的参数，防止过拟合，每次计算所有参数的2范数，模型训练的目标是使损失函数越来越小，即使得交叉熵和正则化项越来越小。
其中，损失函数用于估量正确值与神经网络得到的预测值之间的差距，模型会根据这个差距的值进行训练，从而获得正确的参数。机器学习模型的训练都需要损失函数，目的是计算当前模型的误差，然后通过将这个误差来对每个参数求梯度(求导数)，再用梯度下降法更新模型参数，使模型得到训练。
S1072：根据所述情感类别的输出概率分布，确定所述情感特征对应的情感类别；
在该可选的实施方式中，可以根据所述输出概率分布确定所述情感特征对应的情感类别，假设所述输出概率分布为情感类别A的输出概率为50%、情感类别B的输出概率为30%、情感类别C的输出概率为20%，可以通过生成一个随机数X，假设X的取值区间为(0，10]，将取值区间分为(0，5]、(5,8]、(8,10]三个部分，则X的值落在区间(0，5]的概率为50%，X的值落在区间(5，8]的概率为30%，X的值落在区间(8，10]的概率为20%，若X的值落在区间(0，5]上，则确定情感类别A为所述情感特征对应的情感类别，若X的值落在区间(5,8]上，则确定情感类别B为所述情感特征对应的情感类别，若X的值落在区间(8,10]上，则确定情感类别C为所述情感特征对应的情感类别。
S1073：将所述属性词与所述情感特征对应的情感类别进行拼接，获得所述属性词的情感检测结果。
在该可选的实施方式中，若所述属性词为旅行，所述情感类别为积极，则可以将所述属性词与所述情感类别按照预设的句子模板进行拼接，比如“属性词旅行的情感类别为积极”，也可以将所述属性词以及所述情感类别直接作为情感检测结果进行输出等。
可见，本方法实施例中，可以将携带有属性词的目标语句的语句编码向量输入至多头注意力引导模型中，通过多头注意力机制来学习不同单词之间的联系对识别当前属性词的情感的重要性权重，即学习一个注意力引导的邻接矩阵，这个矩阵刻画了不同词之间语义相关性，降低了句法解析出错导致的情感检测结果出错概率，同时句法距离矩阵保证了网络充分利用句法距离等细粒度信息，能够有效地利用相关信息同时去除不相关信息，提高了情感检测结果的准确性，同时使用稠密连接图卷积层能够避免图卷积网络的层数限制和过度平滑问题，提高了网络的性能，从而进一步提高了情感检测结果的准确性。
实施例二：
本实施例提供一种情感检测装置，可以用于执行本申请实施例一的情感检测方法。对于本实施例中未披露的细节，请参照本申请的实施例一。
请参阅图4，图4是本申请实施例公开的一种情感检测装置的结构示意图。所述的情感检测装置可以运行于电子设备中。如图4所示，该情感检测装置包括：
第一获取模块201，用于获取携带有属性词的目标语句。
第二获取模块202，还用于使用句法分析工具获取所述目标语句对应的句法树。
第一生成模块203，用于根据所述句法树，生成所述目标语句对应的句法距离矩阵，其中，所述句法距离矩阵表示所述目标语句的不同单词之间在所述句法树上的距离。
确定模块204，用于确定所述目标语句的语句编码向量。
第一输入模块205，用于将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵，其中，所述邻接矩阵表示所述目标语句中的不同单词之间的关联性。
第二输入模块206，用于将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征。
第二生成模块207，用于根据所述情感特征，生成所述属性词的情感检测结果。
在一个可选的实施例中，所述多头注意力引导模型包括多头注意力引导层以及句法距离调整层，所述第一输入模块205将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵的方式具体为：
通过所述多头注意力引导层获取所述语句编码向量对应的注意力引导矩阵，其中，所述注意力引导矩阵包括所述目标语句中不同单词之间的关联的权重值，其中，获取所述注意力引导矩阵的公式为：
Figure 549547DEST_PATH_IMAGE088
其中，
Figure 711538DEST_PATH_IMAGE012
和
Figure 38614DEST_PATH_IMAGE013
是可学习的参数矩阵，
Figure 509916DEST_PATH_IMAGE014
表示矩阵转置操作，
Figure 922443DEST_PATH_IMAGE015
和
Figure 622545DEST_PATH_IMAGE089
都等于所 述语句编码向量的输入，
Figure 804128DEST_PATH_IMAGE090
是所述语句编码向量的尺寸，
Figure 446331DEST_PATH_IMAGE018
是将输入映射为0-1 之间的实数的函数，
Figure 346154DEST_PATH_IMAGE019
表示多头注意力中第
Figure 912264DEST_PATH_IMAGE091
个头学习到的注意力引导矩阵；
根据所述句法距离矩阵对所述注意力引导矩阵进行调整，获得所述邻接矩阵，其 中，获取所述邻接矩阵
Figure 886037DEST_PATH_IMAGE021
的公式为：
Figure 699141DEST_PATH_IMAGE022
其中，所述
Figure 86260DEST_PATH_IMAGE092
表示所述句法距离矩阵中的单词
Figure 128165DEST_PATH_IMAGE024
和单词
Figure 284340DEST_PATH_IMAGE025
之间的距离，
Figure 330662DEST_PATH_IMAGE026
表 示所述注意力引导矩阵
Figure 939498DEST_PATH_IMAGE027
上单词
Figure 299941DEST_PATH_IMAGE028
和单词
Figure 310622DEST_PATH_IMAGE025
之间的权重值，
Figure 216262DEST_PATH_IMAGE029
是归一化因子，
Figure 577973DEST_PATH_IMAGE093
，
Figure 23998DEST_PATH_IMAGE031
是用于控制句法距离作用的超参数，
Figure 13819DEST_PATH_IMAGE094
表示函数，函数
Figure 339627DEST_PATH_IMAGE033
对所述注意 力引导矩阵
Figure 923055DEST_PATH_IMAGE034
的函数公式为
Figure 172771DEST_PATH_IMAGE095
，函数公式的运算结果是所述邻接矩阵
Figure 95728DEST_PATH_IMAGE021
。
在一个可选的实施例中，所述确定模块204确定所述目标语句的语句编码向量的方式具体为：
对所述目标语句进行分词处理，获得多个单词；
针对每个所述单词，根据预先训练好的词向量模型确定所述单词的词向量、词性向量以及位置向量；
对所述词向量、所述词性向量以及所述位置向量进行拼接，获得每个所述单词的完整嵌入向量；
使用双向长短期记忆网络对所述完整嵌入表示进行编码，获得所述目标语句的语句编码向量。
在一个可选的实施例中，所述稠密连接图卷积层有多个，每个所述稠密连接图卷积层有多个子层，所述第二输入模块206将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征的方式具体为：
使用所述稠密连接图卷积层对所述邻接矩阵进行计算，获得每个所述稠密连接图卷积层的隐藏表示，其中，每个所述稠密连接图卷积层的隐藏表示的计算公式为：
Figure 405486DEST_PATH_IMAGE096
其中，
Figure 663161DEST_PATH_IMAGE037
是sigmoid激活函数，
Figure 716568DEST_PATH_IMAGE097
表示第
Figure 821927DEST_PATH_IMAGE098
个稠密连接图卷积层的第
Figure 302587DEST_PATH_IMAGE099
层中节点
Figure 595028DEST_PATH_IMAGE041
的隐藏表示，
Figure 311180DEST_PATH_IMAGE042
，
Figure 5467DEST_PATH_IMAGE043
是所述稠密连接图卷积层的最大个数，
Figure 594711DEST_PATH_IMAGE044
是邻接矩阵的 个数，
Figure 640027DEST_PATH_IMAGE045
表示所述稠密连接图卷积层的初始节点表示与在
Figure 300816DEST_PATH_IMAGE046
层的节点表示的拼接，
Figure 849609DEST_PATH_IMAGE100
是训练获得的参数矩阵，
Figure 937651DEST_PATH_IMAGE048
是训练获得的偏差项，其中，
Figure 63738DEST_PATH_IMAGE049
表示实数，
Figure 997059DEST_PATH_IMAGE050
表示维度为
Figure 931517DEST_PATH_IMAGE101
的实数矩阵，
Figure 190460DEST_PATH_IMAGE102
表示维度为
Figure 679210DEST_PATH_IMAGE103
的实数矩阵，每个所述稠密连接图卷 积层的总层数为
Figure 540856DEST_PATH_IMAGE054
，
Figure 64241DEST_PATH_IMAGE099
表示所述稠密连接图卷积层的第
Figure 415457DEST_PATH_IMAGE099
层，每层中节点表示的维度大小为
Figure 657083DEST_PATH_IMAGE104
，
Figure 197785DEST_PATH_IMAGE056
为所述稠密连接图卷积层的输入向量的尺寸，
Figure 841256DEST_PATH_IMAGE057
，
Figure 442002DEST_PATH_IMAGE105
表示所述邻接矩阵矩阵
Figure 764399DEST_PATH_IMAGE021
上单词
Figure 108793DEST_PATH_IMAGE059
和单词
Figure 606770DEST_PATH_IMAGE060
之间的权 重值；
根据每个所述稠密连接图卷积层的隐藏表示，生成所述稠密连接图卷积层的整合特征表示，其中，所整合特征表示的计算公式为：
Figure 378417DEST_PATH_IMAGE106
其中，
Figure 594635DEST_PATH_IMAGE062
是参数矩阵，
Figure 414823DEST_PATH_IMAGE063
是偏差项，
Figure 767307DEST_PATH_IMAGE064
是
Figure 303331DEST_PATH_IMAGE043
个 稠密连接图卷积层的隐藏表示；
根据所述整合特征表示以及最大池化函数，生成所述情感特征，其中，所述情感特征的获取公式为：
Figure 741265DEST_PATH_IMAGE065
其中，
Figure 427461DEST_PATH_IMAGE066
为情感特征，
Figure 900031DEST_PATH_IMAGE067
为最大池化函数。
作为一种可选的实施例，所述第二生成模块207根据所述情感特征，生成所述属性词的情感检测结果的方式具体为：
将所述情感特征输入至预先训练好的全连接层，获得情感类别的输出概率分布，其中，获得所述情感类别的输出概率分布的公式如下：
Figure 13481DEST_PATH_IMAGE107
其中，
Figure 797766DEST_PATH_IMAGE073
为每个情感类别的输出概率分布，
Figure 22074DEST_PATH_IMAGE074
和
Figure 349150DEST_PATH_IMAGE075
是可学习的参数，
Figure 899080DEST_PATH_IMAGE076
是所述 情感特征；
根据所述情感类别的输出概率分布，确定所述情感特征对应的情感类别；
将所述属性词与所述情感特征对应的情感类别进行拼接，获得所述属性词的情感检测结果。
在本装置实施例中，可以将携带有属性词的目标语句的语句编码向量输入至多头注意力引导模型中，通过多头注意力机制来学习不同单词之间的联系对识别当前属性词的情感的重要性权重，即学习一个注意力引导的邻接矩阵，这个矩阵刻画了不同词之间语义相关性，降低了句法解析出错导致的情感检测结果出错概率，同时句法距离矩阵保证了网络充分利用句法距离等细粒度信息，能够有效地利用相关信息同时去除不相关信息，提高了情感检测结果的准确性，同时使用稠密连接图卷积层能够避免图卷积网络的层数限制和过度平滑问题，提高了网络的性能，从而进一步提高了情感检测结果的准确性。
实施例三：
本实施例提供一种电子设备，可以用于执行本申请实施例一的情感检测方法的全部或部分步骤。对于本实施例中未披露的细节，请参照本申请的实施例一。
请参阅图5，图5为本申请实施例提供的电子设备的结构示意图。所述电子设备900可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑等设备的一个或多个的组合。
在本申请较佳实施例中，所述电子设备900包括存储器901、至少一个处理器902、至少一条通信总线903及收发器904。
本领域技术人员应该了解，图5示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备900还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备900是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备900还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述电子设备900仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器901中存储有计算机程序，所述计算机程序被所述至少一个处理器902执行时实现如所述实施例一的情感检测方法中的全部或者部分步骤。所述存储器901包括只读存储器（Read-Only Memory，ROM）、可编程只读存储器（ProgrammableRead-Only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read-OnlyMemory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器902是所述电子设备900的控制核心（Control Unit），利用各种接口和线路连接整个电子设备900的各个部件，通过运行或执行存储在所述存储器901内的程序或者模块，以及调用存储在所述存储器901内的数据，以执行电子设备900的各种功能和处理数据。例如，所述至少一个处理器902执行所述存储器中存储的计算机程序时实现本申请实施例中所述的情感检测方法的全部或者部分步骤；或者实现情感检测装置的全部或者部分功能。所述至少一个处理器902可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线903被设置为实现所述存储器901以及所述至少一个处理器902等之间的连接通信。
所述电子设备900还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
实施例四：
本实施例提供一种计算机可读存储介质，其上储存有计算机程序，所述指令适于由处理器加载并执行本申请实施例一的情感检测方法，具体执行过程可以参见实施例一的具体说明，在此不进行赘述。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种情感检测方法，其特征在于，所述情感检测方法包括：
获取携带有属性词的目标语句；
使用句法分析工具获取所述目标语句对应的句法树；
根据所述句法树，生成所述目标语句对应的句法距离矩阵，其中，所述句法距离矩阵表示所述目标语句的不同单词之间在所述句法树上的距离；
确定所述目标语句的语句编码向量；
将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵，其中，所述邻接矩阵表示所述目标语句中的不同单词之间的关联性；其中，所述多头注意力引导模型包括多头注意力引导层以及句法距离调整层，所述将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵包括：
通过所述多头注意力引导层获取所述语句编码向量对应的注意力引导矩阵，其中，所述注意力引导矩阵包括所述目标语句中不同单词之间的关联的权重值，其中，获取所述注意力引导矩阵的公式为：
Figure FDA0003155648790000011
其中，Wi Q和Wi K是可学习的参数矩阵，T表示矩阵转置操作，Q和K都等于所述语句编码向量的输入，d是所述语句编码向量的尺寸，softmax是将输入映射为0-1之间的实数的函数，
Figure FDA0003155648790000012
表示多头注意力中第t个头学习到的注意力引导矩阵；
根据所述句法距离矩阵对所述注意力引导矩阵进行调整，获得所述邻接矩阵，其中，获取所述邻接矩阵
Figure FDA0003155648790000013
的公式为：
Figure FDA0003155648790000014
其中，所述
Figure FDA0003155648790000015
表示所述句法距离矩阵中的单词wi和单词wj之间的距离，
Figure FDA0003155648790000016
表示所述注意力引导矩阵
Figure FDA0003155648790000017
上单词wi和单词wj之间的权重值，μi是归一化因子，
Figure FDA0003155648790000021
δ是用于控制句法距离作用的超参数，
Figure FDA0003155648790000022
表示函数，函数
Figure FDA0003155648790000023
对所述注意力引导矩阵
Figure FDA0003155648790000024
的函数公式为
Figure FDA0003155648790000025
函数公式的运算结果是所述邻接矩阵
Figure FDA0003155648790000026
将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征；
根据所述情感特征，生成所述属性词的情感检测结果。
2.根据权利要求1所述的情感检测方法，其特征在于，所述确定所述目标语句的语句编码向量包括：
对所述目标语句进行分词处理，获得多个单词；
针对每个所述单词，根据预先训练好的词向量模型确定所述单词的词向量、词性向量以及位置向量；
对所述词向量、所述词性向量以及所述位置向量进行拼接，获得每个所述单词的完整嵌入向量；
使用双向长短期记忆网络对所述完整嵌入表示进行编码，获得所述目标语句的语句编码向量。
3.根据权利要求1所述的情感检测方法，其特征在于，其中，所述稠密连接图卷积层有多个，每个所述稠密连接图卷积层有多个子层，所述将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征包括：
使用所述稠密连接图卷积层对所述邻接矩阵进行计算，获得每个所述稠密连接图卷积层的隐藏表示，其中，每个所述稠密连接图卷积层的隐藏表示的计算公式为：
Figure FDA0003155648790000027
其中，σ是sigmoid激活函数，
Figure FDA0003155648790000028
表示第t个稠密连接图卷积层的第l层中节点i的隐藏表示，t∈[1，2，...，N]，N是所述稠密连接图卷积层的最大个数，n是邻接矩阵的个数，
Figure FDA0003155648790000031
表示所述稠密连接图卷积层的初始节点表示与在(1，2，...，l-1)层的节点表示的拼接，
Figure FDA0003155648790000032
是训练获得的参数矩阵，
Figure FDA0003155648790000033
是训练获得的偏差项，其中，
Figure FDA0003155648790000034
表示实数，
Figure FDA0003155648790000035
表示维度为dsub×dl的实数矩阵，
Figure FDA0003155648790000036
表示维度为dsub的实数矩阵，每个所述稠密连接图卷积层的总层数为L，l表示所述稠密连接图卷积层的第l层，每层中节点表示的维度大小为dsub＝d/L，d0为所述稠密连接图卷积层的输入向量的尺寸，dl＝d0+dsub×(l-1)，
Figure FDA0003155648790000037
表示所述邻接矩阵矩阵
Figure FDA0003155648790000038
上单词wi和单词wj之间的权重值；
根据每个所述稠密连接图卷积层的隐藏表示，生成所述稠密连接图卷积层的整合特征表示，其中，所整合特征表示的计算公式为：
Hconcat＝Wc[h1；h2；...；hN]+bc
其中，
Figure FDA0003155648790000039
是参数矩阵，
Figure FDA00031556487900000310
是偏差项，h1；h2；...；hN是N个稠密连接图卷积层的隐藏表示；
根据所述整合特征表示以及最大池化函数，生成所述情感特征，其中，所述情感特征的获取公式为：
hf＝φmax(Hconcat)
其中，hf为情感特征，φmax为最大池化函数。
4.根据权利要求1所述的情感检测方法，其特征在于，所述根据所述情感特征，生成所述属性词的情感检测结果包括：
将所述情感特征输入至预先训练好的全连接层，获得情感类别的输出概率分布，其中，获得所述情感类别的输出概率分布的公式如下：
yt＝softmax(Wohf+bo)
其中，yt为每个情感类别的输出概率分布，Wo和bo是可学习的参数，hf是所述情感特征；
根据所述情感类别的输出概率分布，确定所述情感特征对应的情感类别；
将所述属性词与所述情感特征对应的情感类别进行拼接，获得所述属性词的情感检测结果。
5.根据权利要求1至4中任意一项所述的情感检测方法，其特征在于，所述邻接矩阵有多个，所述邻接矩阵的个数与所述稠密连接图卷积层的个数一致。
6.根据权利要求4所述的情感检测方法，其特征在于，所述多头注意力引导模型、所述稠密连接图卷积层以及所述全连接层构成情感检测模型，所述情感检测模型进行训练的损失函数为带有正则化项的交叉熵损失函数，其中，所述带有正则化项的交叉熵损失函数的公式为：
Figure FDA0003155648790000041
其中，
Figure FDA0003155648790000042
表示正确的情感标签，λ是正则化项的超参数，θ表示参数集合，包括所述情感检测模型中所有的参数，C是所有的情感类别，符号|| ||2表示2范数，||θ||2表示所有参数的2范数，
Figure FDA0003155648790000043
表示第i个训练样本的正确的情感标签的分布，
Figure FDA0003155648790000044
表示所述情感检测模型对第i个训练样本的预测分布，t∈[1，2，...，C]。
7.一种情感检测装置，其特征在于，所述情感检测装置包括：
第一获取模块，用于获取携带有属性词的目标语句；
第二获取模块，还用于使用句法分析工具获取所述目标语句对应的句法树；
第一生成模块，用于根据所述句法树，生成所述目标语句对应的句法距离矩阵，其中，所述句法距离矩阵表示所述目标语句的不同单词之间在所述句法树上的距离；
确定模块，用于确定所述目标语句的语句编码向量；
第一输入模块，用于将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵，其中，所述邻接矩阵表示所述目标语句中的不同单词之间的关联性；其中，所述多头注意力引导模型包括多头注意力引导层以及句法距离调整层，所述将所述句法距离矩阵以及所述语句编码向量输入至预先训练好的多头注意力引导模型中，获得邻接矩阵包括：
通过所述多头注意力引导层获取所述语句编码向量对应的注意力引导矩阵，其中，所述注意力引导矩阵包括所述目标语句中不同单词之间的关联的权重值，其中，获取所述注意力引导矩阵的公式为：
Figure FDA0003155648790000051
其中，Wi Q和Wi K是可学习的参数矩阵，T表示矩阵转置操作，Q和K都等于所述语句编码向量的输入，d是所述语句编码向量的尺寸，softmax是将输入映射为0-1之间的实数的函数，
Figure FDA0003155648790000052
表示多头注意力中第t个头学习到的注意力引导矩阵；
根据所述句法距离矩阵对所述注意力引导矩阵进行调整，获得所述邻接矩阵，其中，获取所述邻接矩阵
Figure FDA0003155648790000053
的公式为：
Figure FDA0003155648790000054
其中，所述
Figure FDA0003155648790000055
表示所述句法距离矩阵中的单词wi和单词wj之间的距离，
Figure FDA0003155648790000056
表示所述注意力引导矩阵
Figure FDA0003155648790000057
上单词wi和单词wj之间的权重值，μi是归一化因子，
Figure FDA0003155648790000058
δ是用于控制句法距离作用的超参数，
Figure FDA0003155648790000059
表示函数，函数
Figure FDA00031556487900000510
对所述注意力引导矩阵
Figure FDA00031556487900000511
的函数公式为
Figure FDA00031556487900000512
函数公式的运算结果是所述邻接矩阵
Figure FDA00031556487900000513
第二输入模块，用于将所述邻接矩阵输入至预先训练好的稠密连接图卷积层，获得所述属性词的情感特征；
第二生成模块，用于根据所述情感特征，生成所述属性词的情感检测结果。
8.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至6中任意一项所述的情感检测方法。
9.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的情感检测方法。
CN202110539524.8A 2021-05-18 2021-05-18 情感检测方法、装置、设备以及存储介质 Active CN113033215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110539524.8A CN113033215B (zh) 2021-05-18 2021-05-18 情感检测方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110539524.8A CN113033215B (zh) 2021-05-18 2021-05-18 情感检测方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN113033215A CN113033215A (zh) 2021-06-25
CN113033215B true CN113033215B (zh) 2021-08-13

Family

ID=76455255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110539524.8A Active CN113033215B (zh) 2021-05-18 2021-05-18 情感检测方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN113033215B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609840B (zh) * 2021-08-25 2023-06-16 西华大学 一种汉语法律判决摘要生成方法及系统
CN114048288A (zh) * 2021-11-10 2022-02-15 北京明略软件系统有限公司 细粒度情感分析方法、系统、计算机设备和存储介质
CN115659951B (zh) * 2022-12-26 2023-03-21 华南师范大学 基于标签嵌入的语句情感分析方法、装置以及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778186A (zh) * 2013-12-31 2014-05-07 南京财经大学 一种“网络马甲”的检测方法
CN108399158A (zh) * 2018-02-05 2018-08-14 华南理工大学 基于依存树和注意力机制的属性情感分类方法
CN108564549A (zh) * 2018-04-20 2018-09-21 福建帝视信息科技有限公司 一种基于多尺度稠密连接网络的图像去雾方法
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
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
CN111581396A (zh) * 2020-05-06 2020-08-25 西安交通大学 一种基于多维特征融合与依存句法的事件图谱构建系统及方法
US20200356724A1 (en) * 2019-05-06 2020-11-12 University Of Electronic Science And Technology Of China Multi-hop attention and depth model, method, storage medium and terminal for classification of target sentiments
CN112560432A (zh) * 2020-12-11 2021-03-26 中南大学 基于图注意力网络的文本情感分析方法
CN112633010A (zh) * 2020-12-29 2021-04-09 山东师范大学 基于多头注意力和图卷积网络的方面级情感分析方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417157B (zh) * 2020-12-15 2022-04-26 华南师范大学 一种基于深度学习网络的文本属性词的情感分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778186A (zh) * 2013-12-31 2014-05-07 南京财经大学 一种“网络马甲”的检测方法
CN108399158A (zh) * 2018-02-05 2018-08-14 华南理工大学 基于依存树和注意力机制的属性情感分类方法
CN108564549A (zh) * 2018-04-20 2018-09-21 福建帝视信息科技有限公司 一种基于多尺度稠密连接网络的图像去雾方法
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
US20200356724A1 (en) * 2019-05-06 2020-11-12 University Of Electronic Science And Technology Of China Multi-hop attention and depth model, method, storage medium and terminal for classification of target sentiments
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
CN111581396A (zh) * 2020-05-06 2020-08-25 西安交通大学 一种基于多维特征融合与依存句法的事件图谱构建系统及方法
CN112560432A (zh) * 2020-12-11 2021-03-26 中南大学 基于图注意力网络的文本情感分析方法
CN112633010A (zh) * 2020-12-29 2021-04-09 山东师范大学 基于多头注意力和图卷积网络的方面级情感分析方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Attention Guided Graph Convolutional Networks for Relation Extraction;Yan Zhang et al.;《arXiv》;20191011;第1-13页 *
Yan Zhang et al..Attention Guided Graph Convolutional Networks for Relation Extraction.《arXiv》.2019,第1-13页. *
基于注意力与图卷积网络的关系抽取模型;王晓霞 等;《计算机应用》;20210210;第41卷(第2期);第350-356页 *
基于混合多头注意力和胶囊网络的特定目标情感分析;王家乾 等;《中文信息学报》;20200531;第34卷(第5期);第100-110页 *

Also Published As

Publication number Publication date
CN113033215A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113033215B (zh) 情感检测方法、装置、设备以及存储介质
CN111095259B (zh) 使用n-gram机器的自然语言处理
CN111241304B (zh) 基于深度学习的答案生成方法、电子装置及可读存储介质
CN110704621B (zh) 文本处理方法、装置及存储介质和电子设备
EP3467723A1 (en) Machine learning based network model construction method and apparatus
CN110196908A (zh) 数据分类方法、装置、计算机装置及存储介质
Kumar et al. Towards the Explainability of Multimodal Speech Emotion Recognition.
CN112528634A (zh) 文本纠错模型训练、识别方法、装置、设备及存储介质
CN116994709B (zh) 一种个性化的饮食与运动推荐方法、系统及电子设备
CN111538841B (zh) 基于知识互蒸馏的评论情感分析方法、装置及系统
CN114154486A (zh) 一种针对中文语料拼写错误的智能纠错系统
CN111881671A (zh) 一种属性词提取方法
CN111027681B (zh) 时序数据处理模型训练方法、数据处理方法、装置及存储介质
CN115803806A (zh) 用于训练双模式机器学习言语识别模型的系统和方法
CN113157919A (zh) 语句文本方面级情感分类方法及系统
Somogyi The Application of Artificial Intelligence
KR20210099795A (ko) 준 지도 학습을 위한 오토인코더 기반 그래프 설계
CN108875024B (zh) 文本分类方法、系统、可读存储介质及电子设备
CN112599129B (zh) 语音识别方法、装置、设备和存储介质
US20230281826A1 (en) Panoptic segmentation with multi-database training using mixed embedding
CN115588471B (zh) 持续学习下自校正单步逆合成方法、终端、服务器及系统
US11954429B2 (en) Automated notebook completion using sequence-to-sequence transformer
CN113779244B (zh) 文档情感分类方法、装置、存储介质以及电子设备
CN114511023A (zh) 分类模型训练方法以及分类方法
CN110334244B (zh) 一种数据处理的方法、装置及电子设备

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: 20211025

Address after: 201206 room 614-615, No. 1, Lane 2277, Zuchongzhi Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee after: Shanghai Airlines Intellectual Property Services 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

Effective date of registration: 20211025

Address after: 210000 4th floor, building C, Wanbo Science Park, 20 Fengxin Road, Yuhuatai District, Nanjing City, Jiangsu Province

Patentee after: NANJING SILICON INTELLIGENCE TECHNOLOGY Co.,Ltd.

Address before: 201206 room 614-615, No. 1, Lane 2277, Zuchongzhi Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee before: Shanghai Airlines Intellectual Property Services Ltd.

TR01 Transfer of patent right