[发明专利]特定目标的情感极性分类方法

说明书

本发明提供一种特定目标的情感极性分类方法，包括：获取上下文对应的隐藏状态向量，对其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图卷积神经网络，提取上下文对应的句法向量；通过特定目标对应的权重向量，得到与特定目标相关的上下文句法信息编码；将拼接后的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拼接，得到特定目标的特征表示；将特定目标的特征表示输入预设情感极性分类函数，得到特定目标的情感极性分类概率。相对于现有技术，本发明能够有效过滤无效的句法信息，提高特定目标的情感分类的准确性。

技术领域

本发明涉及自然语言处理技术领域，特别是涉及一种特定目标的情感极性分类方法。

背景技术

情感分析是自然语言处理(Natural Language Processing，NLP)中的重要任务，其目的在于对带有情感色彩的主观性文本进行分析。其中，特定目标的情感分析属于细粒度情感分析，与传统的情感分析不同，其目的主要在于识别句子中特定目标的情感极性。

目前，有众多神经网络与注意力机制相结合的方法用以解决特定目标的情感分析问题，这些方法虽然能够克服浅层学习模型的缺陷，区分了不同词对于特定目标情感分析任务的重要性，但是依旧存在如下问题：一方面，不能充分捕捉上下文的语义信息，关注长距离信息依赖和信息并行计算的问题；另一方面，忽视了句法信息对情感极性分类造成的影响，降低了分类的准确性。

发明内容

为克服相关技术中存在的问题，本发明实施例提供了一种特定目标的情感极性分类方法，包括如下步骤：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。

可选的，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。

可选的，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)