[发明专利]基于深度学习的方面级情感四元组抽取方法及系统

说明书

本发明属于深度学习领域，提供了一种基于深度学习的方面级情感四元组抽取方法及系统，获取原始给定语句；基于原始给定语句，利用预先训练好的方面级情感四元组抽取模型进行情感四元组抽取；其中，利用预先训练好的方面级情感四元组抽取模型进行情感四元组抽取，包括：采用行内标签的方式对原始给定语句中的方面词进行提取；基于提取的方面词构建问题模板语句，并利用问题模板语句和原始给定语句进行拼接，基于拼接语句提取与方面词配对的意见词；利用预定义方面类别和预定义方面情感极性生成对应的方面类别解码器模板语句和情感极性解码器模板语句，并根据编码后的原始给定语句进行解码，得到方面类别和方面情感。

技术领域

本发明属于深度学习技术领域，具体涉及一种基于深度学习的方面级情感四元组抽取方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

近年来，方面情感四元组预测(ASQP)已经成为方面级情感分析领域的一个热门任务。其目的是将给定句子解码成为方面情感四元组(方面类别、方面词、意见词、情感极性)。想要高效地提取方面情感四元组，往往会遇到以下问题：1、方面词和意见词之间的内在关系通常被忽略，从而缺乏建立方面-意见对之间的相关性，忽视了不同情感四元组之间的相互干扰；2、评论语句中情感元素的语义信息往往得不到充分地利用，从而增加了预测不准确的风险。

Cai等人研究了方面情感四元组预测(ASQP)任务，强调了隐性方面或意见。作者认为，隐含的方面或意见经常出现在现实世界的场景中，并使用“null”来表示它们在情感四元组中。他们引入了两个带有情感四元组注释的新数据集，并通过结合现有模型构建了一系列流水线基线，以对任务进行基准测试。之后有研究人员尝试将所需的情感元素序列作为生成模型的目标，以使用Seq2Seq的方式解决ABSA问题。Zhang等人提出了一个Paraphrase建模策略，以端到端的方式预测情感四元组。通过将注释的情感元素与预先建立的模板相结合，并使用获得的自然语言句子作为目标序列，他们将原来的四元组预测任务转化为文本生成问题，并通过Seq2Seq建模范式来解决。之后，Hu等人在发现模板中情感元素出现的顺序影响四元组抽取的性能，同时，他们提出组合多个模板可以通过数据增强来改善ASQP任务。然而这些模型虽然能够通过将自然语言标签编码到目标输出中来利用丰富的标签语义，但它们无法有效捕获方面词和意见词之间的语义结构。

在这些子任务中，方面级情感分析可以分为两类任务，分别是抽取任务和分类任务，其中抽取任务中对于方面词和意见词的配对(即形成方面-意见对的过程)较为困难，往往会出现不准确的情况。之前的工作证明了利用生成式模型来将方面类别与情感极性的抽取作为分类任务是可行的。然而，传统的分类任务是通过在预训练的表示之上使用神经网络来完成的，有单独的网络参数。同时，方面类别的整合使得特定方面的输入表示不完全是自然语言句子，这与预训练的设置不同。直观地说，通过在任务层面上连接预训练和分类任务，而不是仅仅在表示层面上，可以利用更多的预训练知识。

发明内容

为了解决上述问题，本发明提出了一种基于深度学习的方面级情感四元组抽取方法及系统，本发明在方面情感四元组预测中使用了一个两阶段框架，首先提取方面-意见对，然后对方面类别与情感极性进行分类。

根据一些实施例，本发明的第一方案提供了一种基于深度学习的方面级情感四元组抽取方法，采用如下技术方案：

一种基于深度学习的方面级情感四元组抽取方法，包括：

获取原始给定语句；

基于原始给定语句，利用预先训练好的方面级情感四元组抽取模型进行情感四元组抽取；

其中，利用预先训练好的方面级情感四元组抽取模型进行情感四元组抽取，包括：

采用行内标签的方式对原始给定语句中的方面词进行提取；