[发明专利]一种基于局部信息表示的细粒度情感元素抽取方法

权利要求书

1.一种基于局部信息表示的细粒度情感元素抽取方法，其特征在于，包括：

步骤一、将预设窗口大小中的每一个单词通过Lookup Table查找词特征的向量表示，将得到的词向量分别输入至LSTM模型中；并将所述得到的词向量组合为一个向量输入至前馈神经网络模型中；

步骤二、将LSTM模型隐层特征表示h_t以及前馈神经网络模型的局部上下文特征表示h_lr进行拼接，得到拼接后的结果h_con：

h_con＝[h_t,h_lr]

步骤三、将h_con送入输出层使用softmax函数作标签分类,得到分类结果。

2.根据权利要求1所述的基于局部信息表示的细粒度情感元素抽取方法，其特征在于，softmax函数中，每个标签计算结果P(y_t＝k|s,θ)的表达式为：

P(yt=k|s,θ)=exp(Wkthcon)Σk=1Kexp(Wkthcon)]]>

其中，表示最后一个隐含层到输出层的权重，k表示某一标签类别，K表示所有可能的标签集合，s,θ分别表示当前句子及模型参数，y_t表示当前预测的标签结果。

3.根据权利要求1或2所述的基于局部信息表示的细粒度情感元素抽取方法，其特征在于，所述预设窗口的大小为3。

4.一种基于局部信息表示的细粒度情感元素抽取方法，其特征在于，包括：

步骤一、将预设窗口大小中的每一个单词通过Lookup Table查找词特征的向量表示，将得到的词向量分别输入至含有双向循环结构的BLSTM模型中；并将所述得到的词向量组合为一个向量输入至前馈神经网络模型中；

步骤二、将BLSTM模型隐层的正向特征表示和反向特征表示进行拼接组成隐层特征表示h_t，并将隐层特征表示h_t与前馈神经网络模型的局部上下文特征表示h_lr进行拼接，得到拼接后的结果h_con：

h_con＝[h_t,h_lr]

步骤三、将h_con送入输出层使用softmax函数作标签分类，得到分类结果。