[發明專利]一種基于圖卷積神經網絡的方面級情感分析方法及裝置

有效

• 申請號: 202011463822.5
• 申請日: 2020-12-14
• 公開（公告）號: CN112528672B
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 馮方向;陳昊;李睿凡;張光衛;王小捷
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F40/30
• 分類號: G06F40/30;G06F40/211;G06F40/216;G06F40/284;G06N3/04
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 丁蕓;馬敬

本發明實施例提供了一種基于圖卷積神經網絡的方面級情感分析方法及裝置，所述方法包括：獲取待進行方面情感分析的句子，以及該待進行方面情感分析句子中的方面詞；對待進行方面情感分析的句子以及方面詞進行預處理，得到待進行方面情感分析的句子對應的輸入向量序列以及句法加權圖；將輸入向量序列和句法加權圖，輸入預先訓練的雙重圖卷積神經網絡中，得到方面詞對應的情感分析結果。本發明實施例，使用雙重圖卷積神經網絡不僅關注句子的句法特征，還關注句子的語義特征，提取句子對應的語義相關特征，彌補了對句法不敏感的句子提取句法特征不準確的缺陷，提高情感分析結果的準確性。

技術領域

本發明涉及自然語言處理技術領域，特別是涉及一種基于圖卷積神經網絡的方面級情感分析方法及裝置。

背景技術

ABSA(Aspect-based Sentiment Analysis,基于方面的情感分析)是一個面向實體級的細粒度情感分析任務，旨在判斷句子中給定的方面詞的情感極性。方面級情感分析可以更加精確地識別出用戶對一個具體方面的情感態度，而不是直接在句子級粒度上判斷情感極性。

現有方面級情感分析使用的是基于句法依存樹的GCN(Graph ConvolutionNetwork，圖卷積網絡)，具體的，將待進行方面情感分析的句子作為輸入信息，使用預訓練的Glove詞嵌入將該輸入信息中的每個詞轉換為詞向量，進而將詞向量輸入預先訓練的BiLSTM(Bidirectional Long Short-Term Memory，雙向長短期記憶網絡)中，得到詞向量對應的隱藏狀態特征，以及將輸入信息輸入預先訓練的依存句法分析器中得到句法依存樹，并將句法依存樹轉換為包含待進行方面情感分析句子中各詞的無向圖，進一步將詞向量對應的隱藏狀態特征、無向圖，以及待進行方面情感分析的句子中方面詞的位置信息，輸入預先訓練的GCN中進行情感分析，得到待進行方面情感分析的句子中方面詞所對應的情感分析結果。

然而，發明人發現，現有使用基于句法依存樹的GCN實現方面級情感分析的過程中，因依存句法分析器對句子的句法解析存在解析結果不準確的現象，以及當待進行情感分析的句子對句法依賴不敏感時，使用依存句法分析器解析得到的句法依存樹所轉換的無向圖作為GCN的一項輸入，使得通過GCN得到的情感分析結果不準確。

發明內容

本發明實施例的目的在于提供一種基于圖卷積神經網絡的方面級情感分析方法及裝置，以提高情感分析結果的準確性。具體技術方案如下：

第一方面，本發明實施例提供了一種基于圖卷積神經網絡的方面級情感分析方法，所述方法包括：

獲取待進行方面情感分析的句子，以及該待進行方面情感分析句子中的方面詞；

對所述待進行方面情感分析的句子以及所述方面詞進行預處理，得到所述待進行方面情感分析的句子對應的輸入向量序列以及句法加權圖；其中，所述輸入向量序列用于表征所述待進行方面情感分析句子的初始特征，所述初始特征包括所述方面詞的相對距離信息，所述句法加權圖用于表征所述待進行方面情感分析句子中各個詞之間的依存關系；

將所述輸入向量序列和所述句法加權圖，輸入預先訓練的雙重圖卷積神經網絡中，得到所述方面詞對應的情感分析結果；其中，所述預先訓練的雙重圖卷積神經網絡包括：句法圖卷積子神經網絡和基于自注意力機制的語義圖卷積子神經網絡，所述句法圖卷積子神經網絡用于提取所述待進行方面情感分析的句子對應的句法相關特征，所述基于自注意力機制的語義圖卷積子神經網絡用于提取所述待進行方面情感分析的句子對應的語義相關特征，所述預先訓練的雙重圖卷積神經網絡是根據樣本句子對應的輸入向量序列，樣本句子對應的句法加權圖，以及樣本句子中方面詞對應的標準情感分析結果訓練得到的，所述標準情感分析結果包括：正向結果、中性結果以及負向結果。

可選地，所述對所述待進行方面情感分析的句子以及所述方面詞進行預處理，得到所述待進行方面情感分析的句子對應的輸入向量序列以及句法加權圖的步驟，包括：