[发明专利]基于多任务协同学习的文本情感分析方法

权利要求书

1.一种基于多任务协同学习的文本情感分析方法，其特征在于，包括：

获取待测文本，确定所述待测文本中每个词组对应的嵌入式特征向量；

分别利用预先训练的第一卷积神经网络和第二卷积神经网络对嵌入式特征向量进行处理，获取对应于方面术语提取的第一词组卷积特征向量和对应于方面类别检测的第二词组卷积特征向量；

根据第一词组卷积特征向量和第二词组卷积特征向量，获取对应于方面术语提取的第一共享特征向量和对应于方面类别检测的第二共享特征向量；

对第一词组卷积特征向量和第二共享特征向量进行融合处理，获取对应于方面术语提取的每个词组的第一专有特征向量，以及对第二词组卷积特征向量和第一共享特征向量进行融合处理，获取对应于方面类别检测的每个词组的隐特征向量；

利用预先训练的注意力机制模型对第一共享特征向量和每个词组的隐特征向量进行处理，获取对应于方面类别检测的第二专有特征向量；

根据每个词组的第一专有特征向量确定对应于方面术语提取的每个词组的预测结果，根据第二专有特征向量确定对应于方面类别检测的预测结果。

2.根据权利要求1所述的基于多任务协同学习的文本情感分析方法，其特征在于，采用嵌入检索操作获取所述待测文本中每个词组对应的嵌入式特征向量。

3.根据权利要求1所述的基于多任务协同学习的文本情感分析方法，其特征在于，根据第一词组卷积特征向量和第二词组卷积特征向量，获取对应于方面术语提取的第一共享特征向量和对应于方面类别检测的第二共享特征向量，包括：

对第一词组卷积特征向量进行最大化池操作，获取对应于方面术语提取的第一共享特征向量；

对第二词组卷积特征向量进行最大化池操作，获取对应于方面类别检测的第二共享特征向量。

4.根据权利要求1所述的基于多任务协同学习的文本情感分析方法，其特征在于，利用预先训练的第一门控网络机制模型对第一词组卷积特征向量和第二共享特征向量进行融合处理，获取对应于方面术语提取的每个词组的第一专有特征向量；

利用预先训练的第二门控网络机制模型对第二词组卷积特征向量和第一共享特征向量进行融合处理，获取对应于方面类别检测的每个词组的隐特征向量。

5.根据权利要求4所述的基于多任务协同学习的文本情感分析方法，其特征在于，第一专有特征向量基于以下公式获取：

其中，relu表示非线性激活函数，relu(x)＝max(0，x)，W_a、W_c、b_a、W_s和b_s表示第一门控网络机制模型参数，表示第二共享特征向量，c_i表示第i个词组的第一词组卷积特征向量，tanh表示非线性变换函数，tanh(x)＝(e^x-e^-x)/(e^x+e^-x)，表示第i个词组的第一专有特征向量，表示向量的点乘操作。

6.根据权利要求4所述的基于多任务协同学习的文本情感分析方法，其特征在于，隐特征向量基于以下公式获取：

其中，sigmoid表示非线性变换函数，sigmoid(x)＝1/(1+e^-x)，W_g、W_t和b_g表示第二门控网络机制模型参数，表示第一共享特征向量，h_i表示第i个词组的第二词组卷积特征向量，g_i表示第i个词组的隐特征向量，表示向量的点乘操作。