[發(fā)明專利]一種基于分段卷積神經(jīng)網(wǎng)絡(luò)的對(duì)象級(jí)情感分類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010573651.5
• 申請(qǐng)日: 2020-06-22
• 公開(kāi)（公告）號(hào): CN111737467B
• 公開(kāi)（公告）日: 2023-05-23
• 發(fā)明（設(shè)計(jì)）人: 曾碧卿;楊恒;裴楓華
• 申請(qǐng)（專利權(quán)）人: 華南師范大學(xué)
• 主分類(lèi)號(hào): G06F16/35
• 分類(lèi)號(hào): G06F16/35;G06F40/279;G06F40/30
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 黃忠

本申請(qǐng)公開(kāi)了一種基于分段卷積神經(jīng)網(wǎng)絡(luò)的對(duì)象級(jí)情感分類(lèi)方法，對(duì)待分類(lèi)文本進(jìn)行特征提取并對(duì)其進(jìn)行上下文特征劃分，得到第一上、下文特征；將其輸入到預(yù)置分段卷積神經(jīng)網(wǎng)絡(luò)，使得卷積層對(duì)其分別進(jìn)行卷積運(yùn)算得到上、下文局部特征，分段池化層對(duì)上、下文局部特征進(jìn)行最大池化操作得到上、下文池化特征，特征融合層對(duì)上、下文池化特征和注意力模塊提取的注意力特征表示進(jìn)行特征融合，softmax層對(duì)融合特征進(jìn)行處理，輸出情感分類(lèi)結(jié)果，解決了現(xiàn)有的情感分類(lèi)方法沒(méi)有考慮到由對(duì)象所劃分的上下文對(duì)分類(lèi)效果的影響，在卷積神經(jīng)網(wǎng)絡(luò)的池化層通常采用的是最大池化操作，導(dǎo)致無(wú)法得到更細(xì)粒度的上下文特征，使得情感分類(lèi)結(jié)果準(zhǔn)確性不高的技術(shù)問(wèn)題。

技術(shù)領(lǐng)域

本申請(qǐng)涉及情感分類(lèi)技術(shù)領(lǐng)域，尤其涉及一種基于分段卷積神經(jīng)網(wǎng)絡(luò)的對(duì)象級(jí)情感分類(lèi)方法。

背景技術(shù)

情感分類(lèi)旨在挖掘出人們?cè)谖谋局兴磉_(dá)觀點(diǎn)情感傾向的類(lèi)別，其主要集中在對(duì)篇章級(jí)別、句子級(jí)別和對(duì)象級(jí)別的情感分類(lèi)任務(wù)的研究上，其中，對(duì)象級(jí)情感分類(lèi)是一種相對(duì)比較細(xì)粒度的分類(lèi)問(wèn)題，其旨在判斷出句子中對(duì)某個(gè)特定對(duì)象的情感類(lèi)別，例如，“這臺(tái)筆記本電腦的功能很強(qiáng)大，但價(jià)格太高了！”該任務(wù)需要針對(duì)對(duì)象“功能”判斷出正向的情感類(lèi)別，以及針對(duì)對(duì)象“價(jià)格”判斷出負(fù)向的情感類(lèi)別。

現(xiàn)有技術(shù)中通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行情感分類(lèi)，沒(méi)有考慮到由對(duì)象所劃分出的上下文對(duì)分類(lèi)效果的影響，在卷積神經(jīng)網(wǎng)絡(luò)的池化層通常采用最大池化操作提取句子級(jí)特征，無(wú)法得到更細(xì)粒度的上下文特征，使得情感分類(lèi)結(jié)果準(zhǔn)確性不高。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┝艘环N基于分段卷積神經(jīng)網(wǎng)絡(luò)的對(duì)象級(jí)情感分類(lèi)方法，用于解決現(xiàn)有的情感分類(lèi)方法沒(méi)有考慮到由對(duì)象所劃分出的上下文對(duì)分類(lèi)效果的影響，在卷積神經(jīng)網(wǎng)絡(luò)的池化層通常采用的是最大池化操作，導(dǎo)致無(wú)法得到更細(xì)粒度的上下文特征，使得情感分類(lèi)結(jié)果準(zhǔn)確性不高的技術(shù)問(wèn)題。

有鑒于此，本申請(qǐng)第一方面提供了一種基于分段卷積神經(jīng)網(wǎng)絡(luò)的對(duì)象級(jí)情感分類(lèi)方法，包括：

對(duì)獲取的待分類(lèi)文本進(jìn)行特征提取，基于第一目標(biāo)對(duì)象在所述待分類(lèi)文本的句子中的位置對(duì)提取的特征進(jìn)行上下文特征劃分，得到第一上文特征和第一下文特征；

將所述第一上文特征和所述第一下文特征輸入到預(yù)置分段卷積神經(jīng)網(wǎng)絡(luò)，使得所述預(yù)置分段卷積神經(jīng)網(wǎng)絡(luò)中的卷積層對(duì)所述第一上文特征和所述第一下文特征分別進(jìn)行卷積運(yùn)算得到上文局部特征和下文局部特征，分段池化層對(duì)所述上文局部特征和所述下文局部特征分別進(jìn)行最大池化操作得到上文池化特征和下文池化特征，注意力模塊通過(guò)計(jì)算得到每個(gè)詞的注意力得分得到注意力特征表示，特征融合層對(duì)所述上文池化特征、所述下文池化特征和所述注意力特征表示進(jìn)行特征融合得到融合特征，softmax層對(duì)融合特征進(jìn)行處理，輸出所述待分類(lèi)文本中所述第一目標(biāo)對(duì)象的情感分類(lèi)結(jié)果，其中，所述注意力特征表示包括上文注意力特征表示和下文注意力特征表示。

可選的，所述對(duì)獲取的待分類(lèi)文本進(jìn)行特征提取，包括：

對(duì)獲取的待分類(lèi)文本進(jìn)行詞嵌入特征提取。

可選的，所述對(duì)獲取的待分類(lèi)文本進(jìn)行特征提取，還包括：

對(duì)獲取的待分類(lèi)文本進(jìn)行輔助特征提取，所述輔助特征包括情感得分特征、詞性特征或位置特征。

可選的，對(duì)獲取的待分類(lèi)文本進(jìn)行位置特征提取，包括：

基于位置重排算法對(duì)獲取的待分類(lèi)文本中各個(gè)詞的位置進(jìn)行重新排序；

對(duì)排序后的所述待分類(lèi)文本進(jìn)行位置特征提取。

可選的，所述基于位置重排算法對(duì)獲取的待分類(lèi)文本中各個(gè)詞的位置進(jìn)行重新排序，包括：

提取獲取的待分類(lèi)文本中各個(gè)詞與所述第一目標(biāo)對(duì)象的相對(duì)位置值，得到第一位置特征向量；