[发明专利]一种基于多图稀疏交互网络的多任务立场检测方法

权利要求书

1.一种基于多图稀疏交互网络的多任务立场检测方法，其特征在于，

将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型为图卷积神经网络模型，所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述输入文本包括推文文本和目标文本；

所述文本编码模块用于将输入文本处理成多个词向量，以供所述多图构建模块、多图稀疏交互模块和任务相关注意力模块使用；

所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；所述立场任务图为根据所述输入文本的句法依赖树构建的图和进行立场检测任务时输入文本的单词的语用权重构建的图；所述情感任务图为根据所述输入文本的句法依赖树和进行情感分类任务时输入文本的单词的语用权重构建的图；所述任务关系图为根据输入文本的单词的词类别重要性权重和所述输入文本的句法依赖树构建的图；所述构建所述多图稀疏交互网络模型的立场任务图和情感任务图，包括：根据所述推文文本的句法结构构建第一句法依赖树，并获取所述第一句法依赖树的根词集合；根据所述目标文本和所述根词集合之间的单词连接关系，将所述目标文本中的单词添加至所述第一句法依赖树中，得到输入文本的第二句法依赖树；计算所述推文文本的第一语用权重和第二语用权重，以及所述目标文本的第三语用权重，所述第一语用权重为所述推文文本的各个单词在立场检测任务中的语用权重，所述第二语用权重为所述推文文本的各个单词在情感分类任务中的语用权重；根据所述第一语用权重、第三语用权重和第二句法依赖树构建所述立场任务图，根据所述第二语用权重和第二句法依赖树构建所述情感任务图；构建所述多图稀疏交互网络模型的任务关系图，包括：构造词类别重要性权重，再根据所述词类别重要性权重构造立场标签重要性关系向量和情感标签重要性关系向量；所述词类别重要性权重为单词跟不同任务的标签类别之间的关系；根据所述立场标签重要性关系向量和情感标签重要性关系向量计算任务交互关系，并根据所述任务交互关系构造所述任务关系图；

所述多图稀疏交互模块用于对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，和对节点特征在图间的稀疏交互进行更新；所述图间的稀疏交互包括立场任务图和任务关系图之间的稀疏交互，以及情感任务图和任务关系图之间的稀疏交互；

所述任务相关注意力模块用于根据所述立场任务图的立场特征表示和情感任务图的情感特征表示计算输入文本的检测立场的极性和分类情感的极性。

2.根据权利要求1所述的基于多图稀疏交互网络的多任务立场检测方法，其特征在于，对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，具体为：

根据公式分别对所述立场任务图、情感任务图和任务关系图进行图内节点特征更新，式中task∈{st,se,re}分别表示立场任务图、情感任务图和任务关系图，I是单位矩阵，σ是非线性激活函数，l表示当前迭代的网络层数，表示第l层网络的参数，表示立场任务图、情感任务图或任务关系图的邻接矩阵；j表示邻接矩阵对角线填充1。

3.根据权利要求2所述的基于多图稀疏交互网络的多任务立场检测方法，其特征在于，所述对节点特征在图间的稀疏交互进行更新，具体为

根据以下公式：

对节点特征在图间的稀疏交互进行更新，所述节点特征包括立场任务图、情感任务图和任务关系图，式中和分别表示立场任务图g^st、情感任务图g^se和任务关系图g^re使用GCN图神经网络进行图内的节点特征更新后的图的节点特征的矩阵表示，α为超参数，用来控制任务关系图融合的立场任务图的节点信息的数量和情感任务图的节点信息的数量，l表示当前迭代的网络层数。

4.根据权利要求3所述的基于多图稀疏交互网络的多任务立场检测方法，其特征在于，根据第一损失函数鼓励所述立场任务图和任务关系图之间、情感任务图和任务关系图之间进行稀疏交互；根据第二损失函数鼓励立场任务图和任务关系图之间、情感任务图和任务关系图之间的交互。