[发明专利]特定目标的情感极性分类方法

权利要求书

1.一种特定目标的情感极性分类方法，其特征在于，包括步骤：

获取上下文对应的词向量；其中，所述上下文包括至少一个特定目标，所述特定目标包括至少一个单词；

将所述上下文对应的词向量输入预设隐藏信息提取网络模型，提取所述上下文对应的隐藏状态向量；

对所述上下文对应的隐藏状态向量进行多头自注意力编码，得到上下文语义信息编码；

基于结合门控机制的预设图卷积神经网络，提取所述上下文对应的句法向量；

通过所述特定目标对应的权重向量，对所述句法向量进行筛选，得到与所述特定目标相关的上下文句法信息编码；

对所述上下文语义信息编码和上下文句法信息编码进行拼接，将拼接后的所述上下文语义信息编码和上下文句法信息编码进行多头自注意力编码，得到上下文语义句法信息编码；

将所述上下文语义信息编码和上下文语义句法信息编码取平均池化后再进行拼接，得到所述特定目标的特征表示；

将所述特定目标的特征表示输入预设情感极性分类函数中，得到所述特定目标的情感极性分类概率。

2.根据权利要求1所述的特定目标的情感极性分类方法，其特征在于，所述将所述上下文对应的词向量输入预设隐藏信息提取网络模型，提取所述上下文对应的隐藏状态向量，包括步骤：

将所述上下文对应的词向量输入预设隐藏信息提取网络模型中，通过所述预设隐藏信息提取网络模型得到上下文对应的隐藏状态向量的过程如下：

其中，n表示上下文对应的词向量的维度，表示预设隐藏信息提取网络模型中的正向运算过程，表示预设隐藏信息提取网络模型中的反向运算过程，H^c表示上下文对应的隐藏状态向量。

3.根据权利要求1所述特定目标的情感极性分类方法，其特征在于，所述对所述上下文对应的隐藏状态向量进行多头自注意力编码，得到上下文语义信息编码，包括步骤：

将所述上下文对应的隐藏状态向量H^c输入预设多头注意力编码公式，得到上下文语义信息编码H^cs；其中，预设多头注意力编码公式如下：

H^cs＝MHA(H^c,H^c)

o^h＝Attention^h(k,q)

Attention(k,q)＝softmax(f_s(k,q))k

f_s(k_i,q_j)＝tanh([k_i；q_j]·W_att)

f_s(k_i,q_j)表示多头注意力的第一输入向量k＝{k₁,k₂,...,k_n}与多头注意力的第二输入向量q＝{q₁,q₂,...,q_m}的语义相关性，n表示第一输入向量的维度，m表示第二输入向量的维度；当进行多头自注意力编码时k＝q，当进行多头交互注意力编码时k≠q，“；”是指向量的拼接，是可学习的权重，表示1行2d_hid列的矩阵，d_hid表示隐藏状态向量的维度，softmax()表示归一化指数函数，Attention^h(k,q)和o^h表示多头注意力中的第h头输出结果，h∈[1,n_head]，n_head表示多头注意力的最大头数；表示对o^h进行线性变化的d_hid行d_hid列的矩阵，MHA(H^c,H^c)表示MHA(k,q)中第一输入向量k为H^c，q为H^c，k＝q，MHA(H^c,H^c)进行H^c的多头自注意力编码，d_h表示多头注意力编码输出的向量维度。