[發(fā)明專利]一種多任務(wù)聯(lián)合學(xué)習(xí)的面向評(píng)價(jià)對(duì)象的情感分析方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010099489.8
• 申請(qǐng)日: 2020-02-18
• 公開(kāi)（公告）號(hào): CN111339752B
• 公開(kāi)（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 趙妍妍;王帥;秦兵
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06F40/216
• 分類號(hào): G06F40/216;G06F40/289;G06F16/35
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 時(shí)起磊

1.一種多任務(wù)聯(lián)合學(xué)習(xí)的面向評(píng)價(jià)對(duì)象的情感分析方法，其特征在于：所述方法具體過(guò)程為：

步驟一、將文本進(jìn)行詞向量表示；

步驟二、基于步驟一將文本的詞向量表示進(jìn)行初步抽象，得到共享表示；

步驟三、基于步驟二進(jìn)行評(píng)價(jià)對(duì)象和評(píng)價(jià)詞抽取，得到評(píng)價(jià)對(duì)象和評(píng)價(jià)詞抽取的標(biāo)簽概率分布；

步驟四、基于步驟二和步驟三進(jìn)行評(píng)價(jià)對(duì)象情感判斷，得到評(píng)價(jià)對(duì)象情感判斷的標(biāo)簽概率分布；

步驟五、基于步驟三、步驟四進(jìn)行信息傳遞，得到更新后的概率分布prob_AE、prob_AS；

步驟六、基于步驟一到步驟五確定的模型結(jié)構(gòu)，使用人工標(biāo)注語(yǔ)料確定模型參數(shù)，得到情感分析模型，采用情感分析模型完成對(duì)評(píng)價(jià)對(duì)象的情感分析；

所述步驟一中將文本進(jìn)行詞向量表示；具體過(guò)程為：

將文本X＝{w₀,w₁,...,w_n}用領(lǐng)域詞向量E_do_main和通用詞向量E_general進(jìn)行表示并拼接為

其中，領(lǐng)域詞向量通過(guò)目標(biāo)領(lǐng)域未標(biāo)注語(yǔ)料進(jìn)行訓(xùn)練；

通用詞向量通過(guò)不定領(lǐng)域的未標(biāo)注語(yǔ)料進(jìn)行訓(xùn)練；

E_domain＝Embedding_domain(X)???????(1)

E_general＝Embedding_general(X)????????(2)

式中，X為輸入文本的索引表示，Embedding_domain為領(lǐng)域詞向量層；E_domain為領(lǐng)域詞向量表示，Embedding_general為通用詞向量層；E_general為通用詞向量表示；concatenate為對(duì)張量的最后一個(gè)維度進(jìn)行拼接操作；為領(lǐng)域詞向量和通用詞向量拼接后的詞向量表示，t表示信息傳遞的輪次，t＝0；

所述步驟二中基于步驟一將文本的詞向量表示進(jìn)行初步抽象，得到共享表示；具體過(guò)程為：

使用單層CNN對(duì)文本的詞向量表示進(jìn)行初步抽象得到共享表示output_shared；

式中，output_shared為抽象得到的共享表示，CNN_shared為用于初步抽象得到共享表示的CNN層。

2.根據(jù)權(quán)利要求1所述一種多任務(wù)聯(lián)合學(xué)習(xí)的面向評(píng)價(jià)對(duì)象的情感分析方法，其特征在于：所述步驟三中基于步驟二進(jìn)行評(píng)價(jià)對(duì)象和評(píng)價(jià)詞抽取，得到評(píng)價(jià)對(duì)象和評(píng)價(jià)詞抽取的標(biāo)簽概率分布；具體過(guò)程為：

使用雙向GRU對(duì)步驟二的輸出output_shared進(jìn)行進(jìn)一步抽象為output_rnn，使每個(gè)詞素得到聯(lián)系全文的表示；

全文指詞素所在的整條評(píng)論；

詞素表示文本進(jìn)行分詞后得到的每個(gè)詞、符號(hào)以及分詞錯(cuò)誤得到的字符組合；

output_rnn＝GRU_AE(output_shared)??????(5)

式中，output_rnn為GRU_AE抽象后的上下文相關(guān)表示，GRU_AE為用于評(píng)價(jià)對(duì)象和評(píng)價(jià)詞抽取的GRU層；

將output_rnn與output_shared拼接得到output_AE；

式中，output_AE為拼接操作后的結(jié)果；

將output_AE進(jìn)行線性變換Linear_AE為5d，在經(jīng)過(guò)softmax得到每個(gè)詞素的標(biāo)簽概率分布prob_AE；

5d表示張量最后一個(gè)維度的大小為5；

prob_AE＝softmax(Linear_AE(output_AE))?????????(7)

式中，prob_AE為評(píng)價(jià)對(duì)象和評(píng)價(jià)詞抽取的標(biāo)簽概率分布；Linear_AE為線性變換。