[发明专利]基于位置门控递归神经网络的属性级文本情感分类方法

说明书

本发明公开了一种基于位置门控递归神经网络的属性级文本情感分类方法，包括以下步骤：基于位置门控递归神经网络的属性级文本情感特征提取；基于位置门控递归神经网络的属性级文本情感分类。一种文本分类推理方法，包括：选择文本情感分析模型驱动，对原始模型进行封装，实现对文本的自动分析，提供情感分析操作的应用执行接口；客户端将文本数据发送至所述文本进行情感特征提取分析的框架模块将外部发送的文本进行分析处理，分析后的模型考虑模型并发性，并封装成端口，转发给查询模块；服务端请求语义分析及情感推理，返回界面显示。本发明通过一个位置门控递归神经网络来动态集成句子级别全局和局部信息，实现基于属性的文本情感分类。

技术领域

本发明涉及的技术领域包括自然语言处理、文本倾向性分析、情感分类算法技术，更确切地说是一种基于位置门控递归神经网络的属性级文本情感分类方法。

背景技术

属性级文本情感分类是文本情感分类中新涌现的领域之一。当用户在网络中发表评论语句，属性级文本情感分析算法能够根据句子内容抽取出评论的主题词并返回评论的情感倾向性标签。例如，给定句子“物理课程本身很有趣，但是A老师讲解得让人昏昏欲睡”，能够推导出属性词“物理课程”包含正向情感，“A老师”包含负向情感。

神经网络以其独特的性能在属性级情感分类任务中呈现巨大的优势，首先，借助于神经网络模型能够减轻大量复杂的特征工程工作，其次，神经网络的方法是基于模型的能力是自动学习上下文词的分布式表示。目前对属性级情感分类任务的研究主要集中在两个方面：关注如何使用长短循环神经网络学习情感知识的低维语义特征信息，以及如何应用注意加强模型表示的机制。最近的研究采用了神经网络的注意机制证明了在属性级情感分类任务中的有效性。为了利用情感信息实现更好的隐藏表征，一些工作专注于捕捉全局句子向量的隐式表征。例如，一些学者提出了基于LSTM的方法来通过最后一个隐藏向量捕获全局表示。最近的一些工作提出了最大池和平均池来捕获全局表示。为了加强模型学习的基本部分，一些工作侧重于在情感分类任务中建立具有注意机制的模型。现有研究也表明了位置信息对基于属性的情感分类的作用。例如，一项早期工作提出了位置加权记忆来编辑记忆，以便模型将重点放在上下文中密切相关的部分，在最近的工作中，为了帮助CNN特征提取器更准确地定位情绪指标，一些工作采用邻近策略，通过词与目标词之间的位置相关性来缩放卷积层的输入。大多数文献试图通过依赖树结构或通过简单计算词与目标词之间的单词数来利用目标词与周围上下文词之间的位置作为相关信息。

然而，大多数已有工作忽略了细粒度表示(例如，联合全局和局部信息)，简单地通过局部表示或全局表示独立地判断情感的极性，或将它们与连接结合起来。全局信息侧重于整个句子的表示，而局部信息侧重于确定词之间的绝对距离。已有方法关于对特定属性词进行有效表示的说明依然缺乏。如何动态吸收局部表示和全局表示对于模型学习到句子的重要部分和全局情感信息都是重要的。此外，尽管现有的研究表明基于属性的情绪分类的位置信息具有重要的作用，但是已有模型通常侧重于在原句中定义属性词和情感的绝对距离，如何对文本序列离散位置信息建模依然比较困难，目前还没有相关的一款组件方案能够解决这一问题。

发明内容

针对现有技术的不足，本发明提供了一种基于位置门控递归神经网络(Position-Gated Recurrent Neural Networks,PGRNN)的属性级文本情感分类方法，以至少解决现有情感分类技术中动态建模属性词位置信息的问题。

一种基于位置门控递归神经网络的属性级文本情感分类方法，包括以下步骤：

基于位置门控递归神经网络的属性级文本情感特征提取；

基于位置门控递归神经网络的属性级文本情感分类。

基于位置门控递归神经网络的属性级文本情感特征提取包括以下步骤：

对评论文本进行属性级情感数据构建，将属性级情感分类预料库与人工构建预料结合，从目标文本中自动抽取属性词，标注正负例，得出训练样本数据；