[发明专利]一种利用目标知识增强模型的情感分类方法

说明书

本发明涉及一种利用目标知识增强模型的情感分类方法。本发明所述的利用目标知识增强模型的情感分类方法包括：构建目标知识增强模型，目标知识增强模型包括输入层、嵌入层、多头自注意力层、知识注意力层、隐藏层和输出层；根据待预测的上下文中的目标词，获取每个目标词对应的知识句子；将上下文与每个知识句子输入至目标知识增强模型，得到上下文的情感分类结果。本发明所述的利用目标知识增强模型的情感分类方法，对中文评论文本中的目标词进行外部知识引入，并提出了知识注意力机制，对引入的外部知识动态分配权重，弥补了目标词本身信息量不足的缺陷，具有分类准确度高的优点。

技术领域

本发明涉及情感分类技术领域，特别是涉及一种利用目标知识增强模型的情感分类方法。

背景技术

传统的方面级情感分类方法通常采用机器学习方法，如支持向量机(SVM)，需要人工特征，包括句法分析特征和词典特征。

与传统的机器学习方法相比，神经网络可以从文本中自动获取重要的语义信息，避免了大量的人工操作。因此，它被广泛地应用于方面级的情感分类。神经网络能够从文本中自动捕捉重要的情感特征，因此在方面级情感分类中得到了广泛的应用。

Tang等人使用两个长短时记忆网络(LSTM)来捕捉一个方面前后的情绪特征。Wang等人提出了一个具有注意机制的LSTM，用于捕捉上下文中的情绪特征。Ma等人提出了两个基于注意的LSTM网络，用于交互生成句子和体表示，并将这些表示连接起来进行预测。Chen等人使用门控递归单元(GRU)网络来整合LSTM的隐藏状态。Zeng等人利用局部语境注意机制来捕捉评论文本中的局部语境特征。

Wagner等人从多个外部情感词典中训练支持向量机进行情绪分类任务。kirithenko等人通过人工编写和处理，创建了一个领域特定的情感词典，为支持向量机提供了额外的领域情感知识。Teng等人使用情感词典计算每个情感词的极性，并使用LSTM计算情感词的权重。最后，利用情感词的加权和来预测句子的情感极性。Yang等人提出了一种基于方面的情感分类的类人分层策略。Chen等人用自建的领域情感知识图作为辅助信息来衡量情感词与目标词之间的情感极性。

现有的方法可以很好地利用与情感词相关的辅助信息，提高模型的性能。然而，现有的方法只关注情感信息，而忽略了目标词中包含的重要语义信息。此外，传统的情感词典和情感知识图作为辅助信息，需要针对特定的数据集手工构建。

发明内容

基于此，本发明的目的在于，提供一种利用目标知识增强模型的情感分类方法，通过构建目标知识增强模型，对中文评论文本中的目标词进行外部知识引入，并提出了知识注意力机制，对引入的外部知识动态分配权重，弥补了目标词本身信息量不足的缺陷，其具有分类准确度高的优点。

第一方面，本发明提供了一种利用目标知识增强模型的情感分类方法，包括以下步骤：

构建目标知识增强模型，所述目标知识增强模型包括输入层、嵌入层、多头自注意力层、知识注意力层、隐藏层和输出层；

根据待预测的上下文中的目标词，获取每个所述目标词对应的知识句子；

将所述上下文与每个所述知识句子输入至所述输入层中，对所述上下文和所述知识句子进行拼接，得到输入层的输出序列；

将所述输入层的输出序列输入至所述嵌入层中，将每个单词或标记映射到向量空间，得到上下文的输出向量表示和知识句子的输出向量表示；

将所述上下文的输出向量表示和所述知识句子的输出向量表示输入至所述多头自注意力层中，计算所述上下文和所述知识句子中每个单词的注意力分数，得到上下文的多头输出序列和知识句子的多头输出序列，以及，得到所述上下文中每个字的权重；