CN113987167A - 基于依赖感知图卷积网络的方面级情感分类方法及系统 - Google Patents

基于依赖感知图卷积网络的方面级情感分类方法及系统 Download PDF

Info

Publication number
CN113987167A
CN113987167A CN202111181805.7A CN202111181805A CN113987167A CN 113987167 A CN113987167 A CN 113987167A CN 202111181805 A CN202111181805 A CN 202111181805A CN 113987167 A CN113987167 A CN 113987167A
Authority
CN
China
Prior art keywords
dependency
context
emotion classification
graph
information
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
CN202111181805.7A
Other languages
English (en)
Inventor
鲁燃
王雪
刘培玉
朱振方
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.)
Shandong Normal University
Original Assignee
Shandong 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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202111181805.7A priority Critical patent/CN113987167A/zh
Publication of CN113987167A publication Critical patent/CN113987167A/zh
Pending legal-status Critical Current

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
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种基于依赖感知图卷积网络的方面级情感分类方法及系统包括：获取文本信息：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习；本公开对词与词之间边的处理根据不同的依赖信息给予不同的关注，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。

Description

基于依赖感知图卷积网络的方面级情感分类方法及系统
技术领域
本公开属于情感分类技术领域，尤其涉及一种基于依赖感知图卷积网络的方面级情感分类方法及系统。
背景技术
随着社交媒体的迅猛发展，互联网中涌现大规模带有用户主观情感的、内容短小且语义信息丰富的短文本，这些海量数据是用户意识和观点的综合呈现和重要体现，影响着网民对事物的看法态度和判断决策。具体地，网民在购物平台上选择商品时往往会先参考商品已购买者提供的评论，然后做出是否购买该商品的决定。如何准确高效地利用计算机技术从海量短文本中自动分析情感信息，这对于产品分析、话题监控、舆情监测、用户建模和观点分析等有着重要意义。情感分类是情感分析技术的核心，其任务是判断文本的情感取向。
方面级情感分类(Aspect-level Sentiment Classification，简称ASC)属于文本情感分类，ASC不同于句子级或文档级的情感分类，其旨在句子级上进行更细粒度的任务分析，为特定的方面确定其情感极性(积极、中性和消极)。例如，在餐厅的一个评论句子中“价格是可以接受的，尽管它的服务不好”，“价格”和“服务”是两个方面，它们的情感极性分别是积极和消极。也就是说，在方面级情感分类的任务中，需要根据上下文信息区分特定方面的情感极性；目前许多方法使用图卷积网络(Graph Convolution Networks，GCN)来捕捉依赖关系和不连续的上下文词来判别特定方面的情感极性。
本公开发明人发现，使用GCN来捕捉依赖关系和不连续的上下文词来判别特定方面的情感极性方法中，对GCN模型的使用仅仅是GCN将语法相关的上下文词联系到目标方面，缺乏依赖类型所包含的信息，平等地对待图中的所有词关系，不足以处理不重要的关系，对ASC的判别会有限制。
发明内容
本公开为了解决上述问题，提出了一种基于依赖感知图卷积网络的方面级情感分类方法及系统，本公开根据在依存树上依赖关系相应的依赖类型来标记边构建图，增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本公开提供了一种基于依赖感知图卷积网络的方面级情感分类方法，包括：
获取文本信息：
依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；
其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
进一步的，所述方面级情感分类模型的训练过程为：
获取待分析的文本，将待分析的文本进行词嵌入训练处理，将文本转化为词嵌入向量；
将所述词嵌入向量转化为上下文表示；
将所述上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用；
将经过多头注意力层处理后的上下文表示输入依赖感知的图卷积网络进行学习。
进一步的，依赖感知的图卷积网络的学习包括：将经过多头注意力层处理后的上下文隐藏状态向量输入图神经网络，用图神经网络来捕捉方面词节点以及其相邻的节点之间的语法关系，节点的特征通过图神经网络层传递，每个节点的表示由依存树的语法信息丰富；在图神经网络中增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
进一步的，情感分类结果的预测包括：
将依赖感知的图卷积网络得到的输出馈入多个融合结构化注意力的条件随机场，捕捉意见特征，得到新的上下文表示，连接所有条件随机场的句子得到输出表示；
将输出表示传送给情感分类器，得到最终的情感极性预测结果。
进一步的，输出表示传送给情感分类器后，其首先被嵌入完全连接层，然后是归一化层，获得情感极性的分布，得到最终的情感极性预测结果。
进一步的，加入潜在标签，表示上下文词是否影响特定方面的情感极性，把标签上的边际概率设置为当前上下文词对方面词情感极性的影响；利用前向-后向算法计算潜在标签的边缘分布，得到句子表示。
进一步的，将所述词嵌入向量转化为上下文表示时，使用双向长短期记忆网络隐藏状态向量得到词嵌入的上下文表示。
第二方面，本公开还提供了一种基于依赖感知图卷积网络的方面级情感分类系统，包括采集模块和分类模块；
所述采集模块，被配置为：获取文本信息：
所述分类模块，被配置为：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；
其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
第三方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
第四方面，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
与现有技术相比，本公开的有益效果为：
1.本公开解决了传统的GCN模型由于省略了依存类型中的信息，并平等地对待图中的所有词关系，从而不能区分不重要的关系并相应地误导ASC的问题；
2本公开根据在依存树上依赖关系相应的依赖类型来标记边构建图，增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本公开实施例1的流程图；
图2为本公开实施例1的网络模型图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
如图1所示，本实施例提供了一种基于依赖感知图卷积网络的方面级情感分类方法，内容包括：
步骤1：获取待分析的文本；将待分析的文本进行词嵌入训练处理，将文本转化为词嵌入向量，将单词嵌入获得文本中每个单词的词向量表达，本实施例中，采用GloVe(Global Vectors for Word Representation)嵌入和BERT(Bidirectional EncoderRepresentations fromTransformers)嵌入两种嵌入方式。
步骤1.1：GloVe嵌入，给定由m个词组成的上下文序列
Figure BDA0003297574070000061
和方面序列
Figure BDA0003297574070000062
(1≤τ≤n≤m)，其中Xa是Xc的子序列。通过预训练的GloVe嵌入矩阵
Figure BDA0003297574070000063
其中dm代表词向量的嵌入维度，V代表词汇表的大小。
步骤1.2：BERT嵌入，本实施例中，使用预先训练的BERT模型作为编码器，以获得上下文词的嵌入；首先，本实施例中，将“[CLS]+context+[SEP]+term+[SEP]”作为输入将其馈入BERT，由此可以实现整个句子与方面词之间的显式交互，然后输入后进行初始化单词向量，并在训练过程中对其进行微调。
词嵌入层最终生成hl，并将其作为上下文表示形式传递给下游任务。
步骤2：将步骤1得到的词向量嵌入转化为上下文表示，本实施例中，使用双向长短期记忆(Long short-term memory，LSTM)网络和多头注意力得到特定方向的上下文表示。
步骤2.1：将步骤1的上下文输出输入双向LSTM层；将双向LSTM应用于上下文编码器，能够更好捕获句子中的长距离依赖关系；本实施例中，连接向前方向和向后方向的隐藏表示，以获得上下文表示，定义为：
Figure BDA0003297574070000064
Figure BDA0003297574070000065
Figure BDA0003297574070000066
其中，
Figure BDA0003297574070000067
和
Figure BDA0003297574070000068
分别表示向前和向后的隐藏状态，t表示某个时刻，θLSTM表示在双向LSTM中使用的参数，
Figure BDA0003297574070000069
表示连接，hL表示双向LSTM的输出上下文表示。
步骤2.2：将步骤2.1得到的上下文表示输入多头注意力层，多头注意力可以同时执行多种注意功能的注意力，能够实现上下文序列和方面词之间的相互作用，增强集成，更加准确地得到上下文信息。定义为：
Figure BDA00032975740700000610
Figure BDA00032975740700000611
其中
Figure BDA0003297574070000071
表示多头注意力层的第i个头，Q、K、W分别表示查询序列、键序列和值序列，W0、WQ、WK、WV是可学习的矩阵，hMHA表示多头注意力层的输出，得到特定方面的上下文表示层的最终输出。
步骤3：将步骤2.2多头注意力层获得的上下文表示输入依赖感知的图卷积网络模块。
步骤3.1：构建依赖感知图。首先，从获得的依存树得到依赖结果，可以用依赖性元组的
Figure BDA0003297574070000072
列表来表示，
Figure BDA0003297574070000073
表示
Figure BDA0003297574070000074
和
Figure BDA0003297574070000075
之间的依赖类型；其次，使用邻接矩阵
Figure BDA0003297574070000076
表示元组中上下文词的依赖关系，如果两个上下文
Figure BDA0003297574070000077
和
Figure BDA0003297574070000078
之间有依赖关系，那么连接矩阵相应位置就是1，否则就是0；然后使用依赖关系类型矩阵
Figure BDA0003297574070000079
表示依赖关系相应的依赖类型；最后，为了利用依赖关系类型，使用一个转移矩阵将所有
Figure BDA00032975740700000710
映射到它们的嵌入项
Figure BDA00032975740700000711
步骤3.2：将多头注意力层获得的上下文表示输入依赖感知的图卷积网络模块。本实施例中，应用L层基于依赖类型的图卷积网络，在L层中对于任意两个上下文词
Figure BDA00032975740700000712
和
Figure BDA00032975740700000713
之间的边使用L-1层中的隐藏层向量
Figure BDA00032975740700000714
和
Figure BDA00032975740700000715
(
Figure BDA00032975740700000716
和
Figure BDA00032975740700000717
来自特定方面的上下文表示中多头注意力层的输出)与依赖类型的嵌入
Figure BDA00032975740700000718
连接起来。
Figure BDA00032975740700000719
Figure BDA00032975740700000720
接下来，本实施例中，为边计算权重，并且将
Figure BDA00032975740700000721
和
Figure BDA00032975740700000722
的维度对齐。
Figure BDA00032975740700000723
Figure BDA00032975740700000724
最后，将
Figure BDA0003297574070000081
应用到边，并计算在L层基于依赖类型的图卷积网络的过程之后的第l层
Figure BDA0003297574070000082
的输出。
Figure BDA0003297574070000083
其中，W(l)和b(l)表示第L层深度依赖感知图卷积网络中可学习的参数，以及σ表示激活函数，本实施例中，使用ReLU激活函数，得到深度依赖感知图卷积网络层的最终输出。上述过程针对每个
Figure BDA0003297574070000089
和整个L层深度依赖感知图卷积网络进行的，因此深度依赖感知图卷积网络层中嵌入了依赖类型的信息能够相应地增强方面级情感分析。
步骤4：将步骤3中依赖感知图卷积网络层得到的向量输入多个条件随机场(Conditional random fields，CRFs)注意力融合层；为了更好地捕获意见特征，本实施例中，引入多个线性链CRFs来集中加入结构依赖性。另外，本实施例中还创建一个潜在标签Y∈{Yes,No}，以指示每个上下文词是否是意见词。下面给定句子表示X，定义CRF为：
Figure BDA0003297574070000084
Figure BDA0003297574070000085
其中，score(y,x)表示来自深度依赖感知图卷积网络层的发射分数和转移分数之和的一个得分分数。D表示转移矩阵，
Figure BDA0003297574070000086
表示zi到zi+1标签的转移分数，
Figure BDA0003297574070000087
表示标签zi在第i个位置的发射分数，分数由深度依赖感知图卷积网络层的输出
Figure BDA0003297574070000088
获得。
本实施例中，在CRF层加入潜在标签Y的目的是表示上下文词是否影响特定方面的情感极性，把Yes标签上的边际概率理解为当前上下文词对方面词情感极性的影响。然后利用前向-后向算法计算潜在标签的边缘分布，最后得到句子表示Sc：
Figure BDA0003297574070000091
最终表示通过连接所有CRF的句子表示来获得：
Figure BDA0003297574070000092
其中m表示CRFs的数目。
步骤5：将步骤4得到的输出馈入输出层。句子表示C传送给情感分类器，其首先被嵌入完全连接的层，然后是SoftMax归一化层，以获得情感极性的分布：
p(y|Sc)＝Softmax(WS+bs) (15)
其中WS和bs是情感分类器层可学习的参数。
步骤6：本实施例中的模型由标准梯度下降算法训练，具有交叉熵损失和L2正则化：
Figure BDA0003297574070000093
其中，D表示训练的数据集，Y表示真值标签，
Figure BDA0003297574070000094
表示P中第
Figure BDA0003297574070000095
个元素。θ表示所有需要训练的参数，λ表示L2正则项的系数。
实施例2：
本实施例提供了一种基于依赖感知图卷积网络的方面级情感分类系统，包括采集模块和分类模块；
所述采集模块，被配置为：获取文本信息：
所述分类模块，被配置为：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；
其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
实施例4：
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，包括：
获取文本信息：
依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；
其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
2.如权利要求1所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，所述方面级情感分类模型的训练过程为：
获取待分析的文本，将待分析的文本进行词嵌入训练处理，将文本转化为词嵌入向量；
将所述词嵌入向量转化为上下文表示；
将所述上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用；
将经过多头注意力层处理后的上下文表示输入依赖感知的图卷积网络进行学习。
3.如权利要求2所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，依赖感知的图卷积网络的学习包括：将经过多头注意力层处理后的上下文隐藏状态向量输入图神经网络，用图神经网络来捕捉方面词节点以及其相邻的节点之间的语法关系，节点的特征通过图神经网络层传递，每个节点的表示由依存树的语法信息丰富；在图神经网络中增加了对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
4.如权利要求2所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，情感分类结果的预测包括：
将依赖感知的图卷积网络得到的输出馈入多个融合结构化注意力的条件随机场，捕捉意见特征，得到新的上下文表示，连接所有条件随机场的句子得到输出表示；
将输出表示传送给情感分类器，得到最终的情感极性预测结果。
5.如权利要求4所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，输出表示传送给情感分类器后，其首先被嵌入完全连接层，然后是归一化层，获得情感极性的分布，得到最终的情感极性预测结果。
6.如权利要求4所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，加入潜在标签，表示上下文词是否影响特定方面的情感极性，把标签上的边际概率设置为当前上下文词对方面词情感极性的影响；利用前向-后向算法计算潜在标签的边缘分布，得到句子表示。
7.如权利要求4所述的一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，将所述词嵌入向量转化为上下文表示时，使用双向长短期记忆网络隐藏状态向量得到词嵌入的上下文表示。
8.基于依赖感知图卷积网络的方面级情感分类系统，其特征在于，包括采集模块和分类模块；
所述采集模块，被配置为：获取文本信息：
所述分类模块，被配置为：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；
其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习。
9.一种计算机可读存储介质，其上存储有计算机程序，用于指纹图谱相似度计算，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现了如权利要求1-7任一项所述的基于依赖感知图卷积网络的方面级情感分类方法的步骤。
CN202111181805.7A 2021-10-11 2021-10-11 基于依赖感知图卷积网络的方面级情感分类方法及系统 Pending CN113987167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111181805.7A CN113987167A (zh) 2021-10-11 2021-10-11 基于依赖感知图卷积网络的方面级情感分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111181805.7A CN113987167A (zh) 2021-10-11 2021-10-11 基于依赖感知图卷积网络的方面级情感分类方法及系统

Publications (1)

Publication Number Publication Date
CN113987167A true CN113987167A (zh) 2022-01-28

Family

ID=79738094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111181805.7A Pending CN113987167A (zh) 2021-10-11 2021-10-11 基于依赖感知图卷积网络的方面级情感分类方法及系统

Country Status (1)

Country Link
CN (1) CN113987167A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648015A (zh) * 2022-03-15 2022-06-21 北京理工大学 一种基于依存关系注意力模型的方面级情感词识别方法
CN114676704A (zh) * 2022-05-30 2022-06-28 华南师范大学 句子情感分析方法、装置、设备以及存储介质
CN115510226A (zh) * 2022-09-02 2022-12-23 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于图神经网络的情感分类方法
CN116521872A (zh) * 2023-04-27 2023-08-01 华中师范大学 一种认知和情感的联合识别方法、系统及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180053107A1 (en) * 2016-08-19 2018-02-22 Sap Se Aspect-based sentiment analysis
CN112001185A (zh) * 2020-08-26 2020-11-27 重庆理工大学 一种结合中文句法和图卷积神经网络的情感分类方法
CN112347248A (zh) * 2020-10-30 2021-02-09 山东师范大学 一种方面级文本情感分类方法及系统
CN113254637A (zh) * 2021-05-07 2021-08-13 山东师范大学 一种融合语法的方面级文本情感分类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180053107A1 (en) * 2016-08-19 2018-02-22 Sap Se Aspect-based sentiment analysis
CN112001185A (zh) * 2020-08-26 2020-11-27 重庆理工大学 一种结合中文句法和图卷积神经网络的情感分类方法
CN112347248A (zh) * 2020-10-30 2021-02-09 山东师范大学 一种方面级文本情感分类方法及系统
CN113254637A (zh) * 2021-05-07 2021-08-13 山东师范大学 一种融合语法的方面级文本情感分类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋婷;陈战伟;: "基于方面情感的层次化双注意力网络", 信息技术与网络安全, no. 06, 10 June 2020 (2020-06-10) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648015A (zh) * 2022-03-15 2022-06-21 北京理工大学 一种基于依存关系注意力模型的方面级情感词识别方法
CN114648015B (zh) * 2022-03-15 2022-11-15 北京理工大学 一种基于依存关系注意力模型的方面级情感词识别方法
CN114676704A (zh) * 2022-05-30 2022-06-28 华南师范大学 句子情感分析方法、装置、设备以及存储介质
CN115510226A (zh) * 2022-09-02 2022-12-23 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于图神经网络的情感分类方法
CN115510226B (zh) * 2022-09-02 2023-11-10 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于图神经网络的情感分类方法
CN116521872A (zh) * 2023-04-27 2023-08-01 华中师范大学 一种认知和情感的联合识别方法、系统及电子设备
CN116521872B (zh) * 2023-04-27 2023-12-26 华中师范大学 一种认知和情感的联合识别方法、系统及电子设备

Similar Documents

Publication Publication Date Title
CN108363695B (zh) 一种基于双向依赖语法树表征的用户评论属性抽取方法
CN113987167A (zh) 基于依赖感知图卷积网络的方面级情感分类方法及系统
CN110162749A (zh) 信息提取方法、装置、计算机设备及计算机可读存储介质
CN113051916B (zh) 一种社交网络中基于情感偏移感知的交互式微博文本情感挖掘方法
CN112164391A (zh) 语句处理方法、装置、电子设备及存储介质
CN109214006B (zh) 图像增强的层次化语义表示的自然语言推理方法
CN110825867B (zh) 相似文本推荐方法、装置、电子设备和存储介质
CN112749562A (zh) 命名实体识别方法、装置、存储介质及电子设备
CN112818698B (zh) 一种基于双通道模型的细粒度的用户评论情感分析方法
CN113254675B (zh) 基于自适应少样本关系抽取的知识图谱构建方法
CN111538841B (zh) 基于知识互蒸馏的评论情感分析方法、装置及系统
CN113626589A (zh) 一种基于混合注意力机制的多标签文本分类方法
CN113627550A (zh) 一种基于多模态融合的图文情感分析方法
CN111651973A (zh) 一种基于句法感知的文本匹配方法
WO2023173554A1 (zh) 坐席违规话术识别方法、装置、电子设备、存储介质
CN110321483A (zh) 一种基于用户序列性行为的在线课程平台内容推荐方法、装置、系统及存储介质
CN113255360A (zh) 基于层次化自注意力网络的文档评级方法和装置
CN115510226A (zh) 一种基于图神经网络的情感分类方法
CN118013045B (zh) 基于人工智能的语句情感检测方法及装置
CN114443846B (zh) 一种基于多层级文本异构图的分类方法、装置及电子设备
CN114492661B (zh) 文本数据分类方法和装置、计算机设备、存储介质
CN117711001A (zh) 图像处理方法、装置、设备和介质
CN113741759A (zh) 评论信息的展示方法、装置、计算机设备和存储介质
CN113486143A (zh) 一种基于多层级文本表示及模型融合的用户画像生成方法
CN114298011B (zh) 神经网络、训练方法、方面级情感分析方法、装置及存储介质

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