[发明专利]情感分类方法、装置、存储介质及计算机设备

说明书

本发明涉及一种情感分类方法、装置、存储介质及计算机设备，通过利用预训练的BERT模型对输入文本进行编码获取输入文本的向量表示，利用句法图卷积网络从基于句法依赖解析生成的句法图中提取句法信息，利用语义图卷积网络从基于自注意力机制生成的加权语义相似度图中提取语义信息，利用交流模块交互融合句法信息和语义信息，获取融合后的句法信息和语义信息；基于注意力机制提取句法信息和语义信息中目标词的句法特征和语义特征；将句法特征和语义特征加权求和后得到的联合特征输入全连接层中进行情感分类，获取情感极性信息，相对于现有技术，本申请提高了特定情感目标分类任务的准确率。

技术领域

本发明涉及自然语言处理领域，尤其是涉及一种情感分类方法、装置、存储介质及计算机设备。

背景技术

情感分类是指预测句子特定目标词对应的情感极性（积极、消极和中性）。近年来，图神经网络以其强大的性能在方面级情感分析中得到了广泛的应用。采用基于图卷积的方法能高效地从依赖树中提取句法信息，

然而，上述方式对于某些缺乏明显句法特征的句子中，依存句法分析的准确率可能不尽如人意。例如从“has Halloween all put away and fall decor up, loving mynew PSP .”中提取的依赖树可能包含大量噪声。其次，句法和语义相互影响，二者既有联系又有区别。因此，采用基于图卷积的方法并不能充分地分析句子的内在规律，得到准确的情感分类信息。

发明内容

本申请实施例提供了一种情感分类方法、装置、存储介质及计算机设备，能够提高情感分类的准确性。所述技术方案如下：

第一方面，本申请实施例提供了一种情感分类方法，包括以下步骤：

利用预训练的BERT模型对输入文本进行编码，获取所述输入文本每一个单词的向量表示；

对所述输入文本进行句法依赖解析，获取所述输入文本的句法依赖关系；以向量表示作为图节点，以该向量表示对应的句法依赖关系作为边，生成每一个向量表示的句法图；

基于自注意力机制，获取向量表示的语义邻接矩阵，生成加权语义相似度图；其中，所述生成加权语义相似图的步骤包括：

按照以下方式，将所述向量表示映射到K个d维语义空间；

其中，为输入文本的向量表示，为第k个语义空间的向量表示，为第k个语义空间的向量表示对应的偏置向量，为第k个语义空间的向量表示对应的映射矩阵，为非线性激活函数；

按照以下方式，获取K个语义空间对应的语义邻接矩阵：

其中，为节点i和节点j的语义邻接矩阵，为预设阈值，为节点i在第k个语义空间的向量表示，为节点j在第k个语义空间的向量表示；

按照以下方式，获取加权相似度邻接矩阵：

其中，为节点i和节点j的加权相似度邻接矩阵，为节点i和节点j的注意力权重系数，按照以下方式获取：

其中，为节点i的注意力权重矩阵，为节点j的注意力权重矩阵，d为语义空间的维度，为的转置矩阵；

按照以下方式，获取加权语义相似图：

其中，为加权语义相似图, 为加权相似度邻接矩阵；

利用句法图卷积网络从所述句法图中提取句法信息，利用语义图卷积网络从所述加权语义相似度图中提取语义信息；利用交流模块交互融合所述句法信息和所述语义信息，获取融合后的句法信息和语义信息；