[发明专利]基于多任务协同学习的文本情感分析方法

说明书

本发明公开了一种基于多任务协同学习的文本情感分析方法，包括：获取待测文本，确定待测文本对应的嵌入式特征向量；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，获取第一共享特征向量和第二共享特征向量；根据词组卷积特征向量和共享特征向量，获取词组的第一专有特征向量和隐特征向量；对第一共享特征向量和词组的隐特征向量进行处理，获取第二专有特征向量；根据词组的第一专有特征向量确定方面术语提取的预测结果，根据第二专有特征向量确定方面类别检测的预测结果。本发明能提高方面术语提取和方面类别检测精度。

技术领域

本发明涉及情感分析技术领域，尤其涉及一种基于多任务协同学习的文本情感分析方法。

背景技术

情感分析又称观点挖掘，是自然语言处理下的一个分支，主要研究人们对于某种事件或商品所表达出的观点以及情感。随着互联网的发展，情感分析在商品推荐、医疗保健、社会事件上，已有较为广泛的应用。

由于方面级情感分析任务能够挖掘细粒度的情感表达，实现更为准确完整的情感分析，目前对基于方面的情感分析的研究也越来越多。方面级情感分析涉及四个情感元素，包括方面类别(aspect category)、方面术语(aspect term)、意见术语(opinion term)和情感极性(sentiment polarity)。现有大多数基于方面的情感分析方法中，方面术语提取和方面类别检测是独立进行的，在进行情感分析时通常是进行方面术语和意见术语的协同提取，均属于单任务学习的范畴，在实际应用中，方面术语提取和方面类别检测精度不高，严重影响情感分析的准确性。

发明内容

为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种基于多任务协同学习的文本情感分析方法。

本发明的技术方案如下：

提供了一种基于多任务协同学习的文本情感分析方法，所述方法包括：

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。

在一些可能的实现方式中，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。

在一些可能的实现方式中，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。