CN113901789A - 基于门控空洞卷积和图卷积的方面级情感分析方法及系统 - Google Patents

基于门控空洞卷积和图卷积的方面级情感分析方法及系统 Download PDF

Info

Publication number
CN113901789A
CN113901789A CN202111020164.7A CN202111020164A CN113901789A CN 113901789 A CN113901789 A CN 113901789A CN 202111020164 A CN202111020164 A CN 202111020164A CN 113901789 A CN113901789 A CN 113901789A
Authority
CN
China
Prior art keywords
context
embedding
convolution
information
graph convolution
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.)
Pending
Application number
CN202111020164.7A
Other languages
English (en)
Inventor
路松峰
杜俊志
方波
吴俊军
姜鹭
周军龙
周力
易王画
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.)
Epic Hust Technology Wuhan Co ltd
Original Assignee
Epic Hust Technology Wuhan Co ltd
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 Epic Hust Technology Wuhan Co ltd filed Critical Epic Hust Technology Wuhan Co ltd
Priority to CN202111020164.7A priority Critical patent/CN113901789A/zh
Publication of CN113901789A publication Critical patent/CN113901789A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及基于门控空洞卷积和图卷积的方面级情感分析方法和系统，其方法包括：将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。本发明结合了门控空洞卷积网络和图卷积神经网络，有效地利用了文本语言信息，同时强调了方面信息在方面级情感分析的重要性，提高了方面级情感分析任务的准确性。

Description

基于门控空洞卷积和图卷积的方面级情感分析方法及系统
技术领域
本发明属于深度学习和自然语言处理技术领域，具体涉及基于门控空洞卷积和图卷积的方面级情感分析方法及系统。
背景技术
随着用户对文本情感分析的要求日益提高，情感分析正在从粗粒度层面向细粒度层面转变。方面级情感分析(Aspect－Based Sentiment Analysis，ABSA)旨在识别给定文本中每个特定方面的情感类别，作为情感分析的重要子任务之一，可以针对不同的方面挖掘出用户更具体更深层的情感，从而成为多个领域决策的重要依据，具备很大的应用价值，演变成自然语言处理任务的新兴研究方向。
早期研究中方面级情感分析被当作一般的情感分析任务，采用传统的机器学习的方法以及基于词典和规则的方法建立分类模型，但该方法需要对输入文本进行大量的预处理，且模型性能依赖于人工选择的特征，模型的推广性较差。随着计算机处理速度的提升，用的多的是基于端到端的深度学习方法，较传统方法取得更好的结果。以往提出的模型大多基于注意力机制和常见的神经网络，在如何提取语义信息方面做出了很大的贡献，然而忽略了文本数据的语法信息，这对方面级情感分析的判别也是至关重要的。基于对图卷积网络(Graph Convolutional Network，GCN)的研究发现，图卷积可确保对句子依赖树表示的结构进行编码，有效的捕获句法信息和远距离单词依赖，可以在ABSA模型中使用GCN网络对文本语法信息进行提取。门控空洞卷积可以在卷积的基础上，进一步强化数据的有效信息，同时将方面信息融入上下文信息，实现在编码上下文时考虑方面特征，方面项信息对ABSA任务的性能也至关重要。
发明内容
为充分利用文本中的语法信息，并提高方面级情感分析的准确率，在本发明的第一方面提供了基于门控空洞卷积和图卷积的方面级情感分析方法，包括：将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
在本发明的一些实施例中，所述将待分析文本的句子中的上下文和方面词分别用词向量进行表示包括：
分别对上下文和方面词进行多维的Glove词嵌入，生成上下文嵌入
Figure BDA0003239763580000021
和方面词嵌入
Figure BDA0003239763580000022
其中
Figure BDA0003239763580000023
表示实数集，m、n分别表示上下文嵌入vs和方面词嵌入vt的长度，dw代表词向量的维度。
在本发明的一些实施例中，所述将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示包括如下步骤：
堆叠3个空洞率大小分别为1、2和4的空洞卷积层，得到上下文隐藏状态向量
Figure BDA0003239763580000024
其中τ、m和n分别表示每个空洞卷积层的节点数量；
通过门控机制向所述上下文隐藏状态向量Hc中融入方面信息。
在本发明的一些实施例中，所述图卷积神经网络包括输入层、图卷积层、池化层和softmax层，所述输入层，用于接收融入方面信息的上下文表示，以及根据文本对应的句子依赖树获得邻接矩阵；所述卷积层，用于对融入方面信息的上下文表示通过邻接矩阵和图卷积操作将其转化为方面向量；所述池化层，用于聚合增强方面向量的信息；所述softmax层，用于根据聚合增强方面向量的信息预测情感极性的概率。
进一步的，所述图卷积操作包括：先对输入融入方面信息的上下文表示进行线性转换，然后通过邻接矩阵进行相邻求和，最后使用ReLU激活函数进行非线性转换。
在上述的实施例中，在将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性之前还包括：
对所述融入方面信息的上下文表示进行位置感知转换。
本发明的第二方面，提供了一种基于门控空洞卷积和图卷积的方面级情感分析系统，包括：
嵌入模块，用于将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；
融合模块，将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；
预测模块，将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
进一步的，所述嵌入模块包括第一嵌入单元和第二嵌入单元，所述第一嵌入单元，对待分析文本的上下文进行多维的Glove词嵌入，生成上下文嵌入；所述第二嵌入单元，对待分析文本的方面词进行多维的Glove词嵌入，生成方面词嵌入。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的基于门控空洞卷积和图卷积的方面级情感分析方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的基于门控空洞卷积和图卷积的方面级情感分析方法。
本发明的有益效果是：
1、本发明采用门控空洞卷积网络(门控空洞卷积神经网络)扩大了卷积的感受野，丰富了局部特征信息的提取。门控机制在卷积(卷积神经网络，CNN)的基础上，进一步强化数据的有效信息，同时将方面信息融入上下文信息，实现在编码上下文时考虑方面特征，有效提高方面级情感分析结果；
2、本发明采用位置感知转换将方面项的位置信息引入模型，解决了当句子中不同方面项包含同一单词时，对方面项的特征学习产生混淆的问题，提高了信息检索的性能；
3、本发明采用图卷积方法对句子依赖树表示的依存结构进行编码，有效的捕获句法信息和远距离单词依赖，进一步提高了模型的性能。
附图说明
图1为本发明的一些实施例中的基于门控空洞卷积和图卷积的方面级情感分析方法的基本流程示意图；
图2为本发明的一些实施例中的基于门控空洞卷积和图卷积的方面级情感分析方法的具体流程示意图；
图3为本发明的一些实施例中的门控空洞卷积神经网络的原理示意图；
图4为本发明的一些实施例中的基于门控空洞卷积和图卷积的方面级情感分析系统的结构示意图；
图5为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例1
参考图1与图2，在本发明的第一方面，提供了基于门控空洞卷积和图卷积的方面级情感分析方法，包括：S100.将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；S200.将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；S300.将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
可以理解，上述上下文和方面词的嵌入、上下文表示通常通过向量或矩阵等形式表示，方面词也可表示为方面项；上下文表示文本一个或多个存在联系的句子或片断。方面(Aspect)：方面是评论的对象实体属性(如在餐厅评论中，一个方面可以是食品的价格，质量等)。方面是一个较高层次的概念，相对于评论文本包含的词汇，方面概念集合规模很小。情感极性(Sentiment Polarity)：情感极性是指评论文本中表达的正面(positive)、负面(negative)、中性(neutral)或者冲突(conflict)的情感。其中，冲突(conflict)是指评论文本对评价对象既表示了正面情感又表达了负面情感。
在本发明的一些实施例的步骤S100中，所述将待分析文本的句子中的上下文和方面词分别用词向量进行表示包括：
分别对上下文和方面词进行多维的Glove词嵌入，生成上下文嵌入
Figure BDA0003239763580000051
和方面词嵌入
Figure BDA0003239763580000052
其中
Figure BDA0003239763580000053
表示实数集，m、n分别表示上下文嵌入vs和方面词嵌入vt的长度，dw代表词向量的维度。具体地，上述步骤包括：
S101.将输入的长度为n的句子s＝[w1,w2,…,wτ+1,…,wτ+m,…,wn-1,wn]作为上下文信息，提取其中长度为m的方面词信息
Figure BDA0003239763580000057
Figure BDA0003239763580000058
采用预训练的Glove模型对待预测极性的上下文和方面词集合信息进行表示，生成上下文嵌入
Figure BDA0003239763580000054
和方面词嵌入
Figure BDA0003239763580000055
其中dw代表词向量的维度。可选的，上述Glove模型也可选用skip－gram、CBOW模型以实现上述词向量的嵌入。
参考图3，在本发明的一些实施例的步骤S200中，所述将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示包括如下步骤：
S201.堆叠3个空洞率大小分别为1、2和4的空洞卷积层，得到上下文隐藏状态向量
Figure BDA0003239763580000056
其中τ、m和n分别表示每个空洞卷积层的节点数量；
S202.通过门控机制向所述上下文隐藏状态向量Hc中融入方面信息。
可以理解，上下文隐藏状态向量Hc也即是上下文表示Hc，因此，门控机制的具体计算过程包括：
S2021.将空洞卷积编码得到的上下文表示Hc分为X和Y两个相等的部分，纬度大小均为d，表示为Hc＝[XCYC]；
S2022.通过YC上的sigmoid激活函数得到概率g，令g和1-g分别与上下文表示X和方面词嵌入Aspect进行点积运算并相加，得到融入方面信息的上下文表示
Figure BDA0003239763580000061
每个卷积门控单元内的操作如下：
Hca＝Aspect⊙σ(YC)+XC⊙(1-σ(YC))
其中σ为sigmoid激活函数，⊙代表哈德曼积。
在本发明的一些实施例中，所述图卷积神经网络包括输入层、图卷积层、池化层和softmax层，所述输入层，用于接收融入方面信息的上下文表示，以及根据文本对应的句子依赖树获得邻接矩阵；所述卷积层，用于对融入方面信息的上下文表示通过邻接矩阵和图卷积操作将其转化为方面向量；所述池化层，用于聚合增强方面向量的信息；所述softmax层，用于根据聚合增强方面向量的信息预测情感极性的概率。
进一步的，所述图卷积操作包括：先对输入融入方面信息的上下文表示进行线性转换，然后通过邻接矩阵进行相邻求和，最后使用ReLU激活函数进行非线性转换。
具体地，上述图卷积操作也即是提取文本语法信息的过程，因此，图卷积提取文本语法信息的具体步骤如下：
S301.将文本对应的句子依赖树看作n个节点的图G，枚举该图获得领接矩阵Aij；可选的，调用SpaCy工具的接口对句子进行依存分析，在预处理阶段生成相应的依赖树，其中结点表示文本单词，边表示单词间的语法依赖关系。
S302.在句子依赖树上构建L层图卷积网络。第一层图卷积网络的输入为门控空洞卷积网络的隐藏层状态向量H0＝Hca。H0和HL分别代表图卷积网络首层的输入和经L层图卷积更新后的输出，
Figure BDA0003239763580000071
和
Figure BDA0003239763580000072
分别代表第i个单词元素在第l层和上一层的状态向量；
S303、在将
Figure BDA0003239763580000073
喂入连续的图卷积网络之前先对其进行位置感知转换
Figure BDA0003239763580000074
具体的，分配位置权重的函数
Figure BDA00032397635800000711
的具体表示如下：
Figure BDA0003239763580000075
Figure BDA0003239763580000076
其中
Figure BDA0003239763580000077
为第i层的位置权重。
S304、通过图卷积操作更新各节点的表示，得到第L层图卷积的输出
Figure BDA0003239763580000078
图卷积过程包括：先对输入进行线性转换，然后通过邻接矩阵进行相邻求和，最后使用ReLU激活函数进行非线性转换。每个节点的图卷积操作如下：
Figure BDA0003239763580000079
其中，Wl代表线性变换的权重，bl是偏置项，σ为ReLU激活函数。可选的，使用平均池化来聚合增强方面向量上的信息，公式如下：
Figure BDA00032397635800000710
其中，f(·)是平均池函数。
进一步的，平均池化后得到的向量表示HP经过softmax层得到不同情感极性的概率表示
Figure BDA00032397635800000712
获取最后的预测结果。其中，dp与情感标签的维数相同，这里采用三元情感分类。
在上述实施例中，当层数为2时模型达到最佳性能，选用两层图卷积网络，即L＝2。
实施例2
参考图4，本发明的第二方面，提供了一种基于门控空洞卷积和图卷积的方面级情感分析系统1，包括：
嵌入模块11，用于将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；
融合模块12，将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；
预测模块13，将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
进一步的，所述嵌入模块11包括第一嵌入单元和第二嵌入单元，所述第一嵌入单元，对待分析文本的上下文进行多维的Glove词嵌入，生成上下文嵌入；所述第二嵌入单元，对待分析文本的方面词进行多维的Glove词嵌入，生成方面词嵌入。
实施例3
参考图5，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，包括：
将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；
将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；
将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
2.根据权利要求1所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，所述将待分析文本的句子中的上下文和方面词分别用词向量进行表示包括：
分别对上下文和方面词进行多维的Glove词嵌入，生成上下文嵌入
Figure FDA0003239763570000011
和方面词嵌入
Figure FDA0003239763570000012
其中
Figure FDA0003239763570000013
表示实数集，m、n分别表示上下文嵌入vs和方面词嵌入vt的长度，dw代表词向量的维度。
3.根据权利要求1所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，所述将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示包括如下步骤：
堆叠3个空洞率大小分别为1、2和4的空洞卷积层，得到上下文隐藏状态向量
Figure FDA0003239763570000014
其中τ、m和n分别表示每个空洞卷积层的节点数量；
通过门控机制向所述上下文隐藏状态向量Hc中融入方面信息。
4.根据权利要求1所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，所述图卷积神经网络包括输入层、图卷积层、池化层和softmax层，
所述输入层，用于接收融入方面信息的上下文表示，以及根据文本对应的句子依赖树获得邻接矩阵；
所述卷积层，用于对融入方面信息的上下文表示通过邻接矩阵和图卷积操作将其转化为方面向量；
所述池化层，用于聚合增强方面向量的信息；
所述softmax层，用于根据聚合增强方面向量的信息预测情感极性的概率。
5.根据权利要求4所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，所述图卷积操作包括：先对输入融入方面信息的上下文表示进行线性转换，然后通过邻接矩阵进行相邻求和，最后使用ReLU激活函数进行非线性转换。
6.根据权利要求1至5中任一项所述的基于门控空洞卷积和图卷积的方面级情感分析方法，其特征在于，在将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性之前还包括：
对所述融入方面信息的上下文表示进行位置感知转换。
7.一种基于门控空洞卷积和图卷积的方面级情感分析系统，其特征在于，包括：
嵌入模块，用于将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；
融合模块，将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；
预测模块，将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。
8.根据权利要求7所述的基于门控空洞卷积和图卷积的方面级情感分析系统，其特征在于，
所述嵌入模块包括第一嵌入单元和第二嵌入单元，
所述第一嵌入单元，对待分析文本的上下文进行多维的Glove词嵌入，生成上下文嵌入；
所述第二嵌入单元，对待分析文本的方面词进行多维的Glove词嵌入，生成方面词嵌入。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的基于门控空洞卷积和图卷积的方面级情感分析方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于门控空洞卷积和图卷积的方面级情感分析方法。
CN202111020164.7A 2021-08-31 2021-08-31 基于门控空洞卷积和图卷积的方面级情感分析方法及系统 Pending CN113901789A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111020164.7A CN113901789A (zh) 2021-08-31 2021-08-31 基于门控空洞卷积和图卷积的方面级情感分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111020164.7A CN113901789A (zh) 2021-08-31 2021-08-31 基于门控空洞卷积和图卷积的方面级情感分析方法及系统

Publications (1)

Publication Number Publication Date
CN113901789A true CN113901789A (zh) 2022-01-07

Family

ID=79188273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111020164.7A Pending CN113901789A (zh) 2021-08-31 2021-08-31 基于门控空洞卷积和图卷积的方面级情感分析方法及系统

Country Status (1)

Country Link
CN (1) CN113901789A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618098A (zh) * 2022-09-08 2023-01-17 淮阴工学院 基于知识增强与空洞卷积的冷链物流推荐方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618098A (zh) * 2022-09-08 2023-01-17 淮阴工学院 基于知识增强与空洞卷积的冷链物流推荐方法及装置

Similar Documents

Publication Publication Date Title
CN107783960B (zh) 用于抽取信息的方法、装置和设备
CN109271493B (zh) 一种语言文本处理方法、装置和存储介质
CN113127624B (zh) 问答模型的训练方法及装置
CN110737758A (zh) 用于生成模型的方法和装置
CN111444340A (zh) 文本分类和推荐方法、装置、设备及存储介质
CN111324696B (zh) 实体抽取方法、实体抽取模型的训练方法、装置及设备
CN112115700A (zh) 一种基于依存句法树和深度学习的方面级情感分析方法
JP7417679B2 (ja) 情報抽出方法、装置、電子機器及び記憶媒体
CN112214601B (zh) 一种社交短文本情感分类方法、装置及存储介质
CN111581966A (zh) 一种融合上下文特征方面级情感分类方法和装置
WO2019154411A1 (zh) 词向量更新方法和装置
CN109710842B (zh) 业务信息的推送方法、装置及可读存储介质
CN111858898A (zh) 基于人工智能的文本处理方法、装置及电子设备
CN114528398A (zh) 一种基于交互双重图卷积网络的情感预测方法及系统
CN111597815A (zh) 一种多嵌入命名实体识别方法、装置、设备及存储介质
CN114462425B (zh) 社交媒体文本处理方法、装置、设备及存储介质
Morinaga et al. Improvement of reverse dictionary by tuning word vectors and category inference
CN110826327A (zh) 情感分析方法、装置、计算机可读介质及电子设备
CN110489730A (zh) 文本处理方法、装置、终端及存储介质
CN113901789A (zh) 基于门控空洞卷积和图卷积的方面级情感分析方法及系统
CN111767720B (zh) 一种标题生成方法、计算机及可读存储介质
CN109002498B (zh) 人机对话方法、装置、设备及存储介质
CN115827865A (zh) 一种融合多特征图注意力机制的不良文本分类方法及系统
CN110852066A (zh) 一种基于对抗训练机制的多语言实体关系抽取方法及系统
CN114911940A (zh) 文本情感识别方法及装置、电子设备、存储介质

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