[发明专利]一种用于微博评论的事件相关观点句分类方法

说明书

本发明涉及用于微博评论的事件相关观点句分类方法。包括把微博评论嵌入、情感词嵌入进行拼接，再通过自注意机制转换到一个新的嵌入，新的嵌入通过自注意机制被送入不同大小的卷积层，卷积结果都经过最大池化，最大池化后的结果进行拼接，得到表示句子是否有观点的一个结果；获取微博评论的特征映射和微博标题的特征映射；后者最大池化得到向量，再计算相互注意力权重；通过相互注意力权重将博评论的特征映射更新；再对特征向量进行最大池化，得到表示句子是否与微博标题相关的一个结果；将表示句子是否有观点的一个结果和表示句子是否与微博标题相关的一个结果进行拼接作为句子向量，基于这个句子向量进行预测。本发明提出的分类方法更有效。

技术领域

本发明涉及一种用于微博评论的事件相关观点句分类方法，属于计算机及信息技术领域。

背景技术

传统上，意见句的识别被认为是对主客观句的分类。主观句可以表达多种类型的信息，如意见、评价、情绪等。研究者主要通过机器学习模型构建主客观分类器。如朴素贝叶斯(NB)、支持向量机(SVM)、Logistic回归(LR)、随机森林(RF)等。近年来，深度学习已经成为一种强大的机器学习技术，它可以学习数据的多层表示或特征，也被广泛用于句子分类。本发明的任务类似于句子分类，针对特定的目标，如方面级的情感分类。

然而，传统的意见句识别方法是基于主客观特征的构造训练分类器。微博评论不规范、自由、短，基于规则的方法或基于人工构建特征的方法都有其局限性。基于神经网络的方法可以避免传统机器学习方法中人工特征构建的复杂性和局限性，但是现有的对评论句子分类方法没有考虑评论句子是否指向相关对象。针对这些问题，本发明提出了一种结合内容相关性增强模块和意见表达增强模块的神经网络模型。

在本研究中，多数方法采用长、短期记忆和注意机制来预测相关目标的情绪极性。Wang等人揭示了句子的情感分类不仅由内容决定，而且与所关注的方面高度相关。Ma等人提出了交互注意网络，对语境和目标中的注意进行交互学习，有助于进行方面级情感分类。可见，现有的意见句分类器只考虑句子本身的特征，而不考虑句子是否与所关注的对象相关。基于深度学习的方面级情感分类器考虑的是与句子相关的方面，但这些方面是实体或实体类别，不适合这项任务。为此，本发明提出了一种结合微博标题的分类模型，利用CNN滤波器提取意见和微博标题的特征，识别出与相关微博内容相关的意见句。

发明内容

本发明提供了一种用于微博评论的事件相关观点句分类方法，提出了微博标题和微博评论之间的相互关注操作，能够更好地提取出代表微博内容相关性的特征；同时加入了情感词的嵌入，能更加关注句子的观点词。

本发明的技术方案是：一种用于微博评论的事件相关观点句分类方法，所述方法包括如下：

Step1、获取微博评论嵌入E_r、微博标题嵌入E_t、情感词嵌入E_s；

Step2、把微博评论嵌入E_r、情感词嵌入E_s进行拼接，拼接后得到的结果E通过自注意机制转换到一个新的嵌入E′，然后这个新的嵌入E′通过自注意机制被送入三个不同大小的卷积层，每个卷积结果都经过最大池化，然后把最大池化后的结果进行拼接，得到R_s，它表示句子是否有观点；

Step3、分别对微博评论嵌入E_r、微博标题嵌入E_t进行卷积运算，分别得到微博评论的特征映射R和微博标题的特征映射T；T经过最大池化得到向量t，用来计算与R的相互注意力，得到相互注意力权重γ；然后通过相互注意力权重γ将R更新为更关注与标题相关的特征向量R′；再对特征向量R′进行最大池化操作，得到R_t，它表示句子是否与微博标题相关；

Step4、将Step2最终得到的结果R_s和Step3最终得到的结果R_t进行拼接作为句子向量R_o，基于这个句子向量R_o进行预测。