[发明专利]一种基于多层次图池化的文本情感分析方法

说明书

本发明公开了一种基于多层次图池化的文本情感分析方法，该方法包括下述步骤：对目标文本进行预处理；将词节点之间的共现点互信息作为词节点之间的边权，为每个文本单独建图；建立多层次图池化模型，门控图神经网络层传递低阶节点信息；第一图自注意力池化层进行初步图池化操作，采用Readout函数提取低阶特征；第二图自注意力池化层再进行图池化操作，通过计算图中各节点的注意力分数对图结构进行剪枝更新，采用Readout函数提取文本图的高阶特征表示；通过特征融合函数得到多层次的最终向量表示；选取最大概率值所对应的情感类别作为文本最终的情感类别输出。本发明从多方面多层次同时挖掘文本特征信息，获得更精准的情感分析效果。

技术领域

本发明涉及文本情感分析技术领域，具体涉及一种基于多层次图池化的文本情感分析方法。

背景技术

近年来，互联网及其附属产业飞速发展，互联网上的信息量飞速增长，网络上每天都会产生呈现大数据特征的以文本为主的海量数据，如何对这些海量的文本数据进行快速分类及分析是当前亟待解决的难题。文本的情感表达体现了人们对文本的理解和感情倾向，是对文本信息高层次的抽象。文本情感分析是对文本进行分类、分析的一个重要任务，如对社交网络中微博、博客的内容进行情感挖掘有利于舆情分析，对电商平台的用户商品评论进行情感分析有助于平台的精准营销推荐和消费者更好地了解产品。因此，运用有效的情感分析技术，从大量文本数据中提取出蕴含的有效情感信息，进而挖掘分析出用户的真实情感及所表达的内容特征，具有极大的运用价值，使得文本情感分析成为计算机自然语言处理领域的一个热点研究方向。

现有基于机器学习的文本情感分析技术中，大多是以循环神经网络及其变体或一维卷积神经网络作为基础模块的序列模型，这类序列模型在局部连续的词序列中能较好地捕获到词义信息，但可能会忽略具有非连续性和长距离语义的全局词共现，对于文本特征的挖掘不够充分，没有挖掘到文本结构特征并且没有关注到文本中的重点情感信息，具有一定的局限性；同时，文本中的情感信息是较为高阶的抽象信息，若挖掘的特征信息不够充分，会影响到最终情感分析的效果。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于多层次图池化的文本情感分析方法，以对文本建图的角度出发，从多方面多层次同时挖掘文本特征信息，从而获得更精准的情感分析效果。

本发明的第二目的在提供一种基于多层次图池化的文本情感分析系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于多层次图池化的文本情感分析方法，包括下述步骤：

对目标文本进行预处理，所述预处理包括：去除噪声信息、分词处理、去除停用词和训练数值向量化的文本表示；

文本建图：设定固定长度的滑动窗口在文本词序列上滑动，计算词节点与词节点之间的共现点互信息，将词节点之间的共现点互信息作为词节点之间的边权，在两词之间进行连边，为每个文本单独建图；

建立多层次图池化模型，所述多层次图池化模型包括门控图神经网络层、第一图自注意力池化层、图卷积层和第二图自注意力池化层；

所述门控图神经网络层与第一图自注意力池化层连接，所述第一图自注意力池化层与图卷积层连接，所述图卷积层与第二图自注意力池化层连接；

所述门控图神经网络层传递低阶的节点信息；所述第一图自注意力池化层进行初步图池化操作，采用Readout函数提取低阶特征；所述图卷积层的算子同时采用图的节点特征向量矩阵和图的归一化拉普拉斯矩阵参与计算；所述第二图自注意力池化层再进行图池化操作，通过计算图中各节点的注意力分数对图结构进行剪枝更新，采用Readout函数提取文本图的高阶特征表示；