[發明專利]融合句法信息的GCN-RN方面級情感分析方法和系統

在審

• 申請號: 202210095137.4
• 申請日: 2022-01-26
• 公開（公告）號: CN114579741A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 余本功;譚毓芳;司文超;楊善林;葉子龍;楊穎;付凱佳;石銳哲
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/211;G06N3/04;G06N3/08
• 代理公司: 北京久誠知識產權代理事務所(特殊普通合伙) 11542
• 代理人: 余罡

1.一種融合句法信息的GCN-RN方面級情感分析方法，其特征在于，預先構建了GCN-RN模型，所述GCN-RN模型包括詞嵌入層、隱層、特征提取層和輸出層；該方法具體包括：

S1、將待分析文本輸入所述詞嵌入層，獲取所述待分析文本的向量表示；

S2、將所述向量表示輸入所述隱層，采用LSTM獲取對應的隱層狀態；

S3、預先構建所述待分析文本的鄰接矩陣和方面詞距離權重矩陣，將所述鄰接矩陣、方面詞距離權重矩陣和隱層狀態輸入所述特征提取層的第一個圖卷積殘差塊的GCN層，獲取該GCN層的輸出向量；將所述隱層狀態和輸出向量進行殘差連接，并輸入下一個圖卷積殘差塊，最終獲取對應的文本特征表示；

S4、將所述文本特征表示輸入所述輸出層，獲取所述待分析文本中方面詞的情感極性預測結果。

2.如權利要求1所述的GCN-RN方面級情感分析方法，其特征在于，所述S3中鄰接矩陣的構建過程包括：

定義所述鄰接矩陣為A，A∈R^n×n，A_ij表示所述待分析文本中單詞i與單詞j之間的語法依賴關系，若A_ij＝0，則兩單詞沒有連接；若A_ij＝1，則兩單詞有連接，且當i＝j時，A_ij＝1。

3.如權利要求2所述的GCN-RN方面級情感分析方法，其特征在于，所述S3中方面詞距離權重矩陣的構建過程包括：

定義所述距離權重向量為Q_i＝{q₁,q₂,…,q_n}，其計算公式如下，

其中，i表示所述待分析文本的第i單詞，單詞總數為n；當τ+1≤i≤τ+m，表示所述待分析文本中單詞長度為m的方面詞所在位置。

4.如權利要求3所述的GCN-RN方面級情感分析方法，其特征在于，所述S3中將所述鄰接矩陣、方面詞距離權重矩陣和隱層狀態輸入所述特征提取層的第一個圖卷積殘差塊的GCN層，獲取該GCN層的輸出向量，具體包括；

GCN的各個節點通過相鄰節點更新當前的節點表示，如計算公式下，

其中，為第l層GCN的第i個節點的表示，q_j為節點j的距離權重，為第l-1層GCN的第j個節點的表示，W^l和b^l為需要學習的權重矩陣和偏差矩陣；得到經L層GCN的輸出為

5.如權利要求4所述的GCN-RN方面級情感分析方法，其特征在于，所述S3中將所述隱層狀態和輸出向量輸入所述特征提取層的圖卷積殘差塊中，最終獲取對應的文本特征表示，具體包括：

預先搭建n個圖卷積殘差塊提取句法信息，采用shotcut進行殘差連接，每個圖卷積殘差塊的計算過程下，

其中，當i＝1時，x代表所述隱層狀態；i＝2,…,n時，x代表第i-1個圖卷積殘差塊的輸出；F^L是間接映射，即GCN圖卷積操作的輸出向量；T(x)是直接映射；經過n個圖卷積殘差塊后得到的所述文本特征表示為

6.如權利要求3所述的GCN-RN方面級情感分析方法，其特征在于，所述輸出層包括掩碼層、注意力層和分類器層，所述S4具體包括：

S41、將所述文本特征表示輸入所述掩碼層，獲得僅含方面詞向量的輸出，包括：

保持所述文本特征表示H^G中方面詞的向量不變，將H^G中的非方面詞向量改為0，即得到的輸出為

S42、將所述僅含方面詞向量的輸出輸入所述注意力層，獲取包含方面詞的重要情感特征的上下文表示，包括：

其中，表示隱層狀態的轉置；Q_t代表方面詞與上下文單詞的相關度矩陣，歸一化后得到注意力分布矩陣Z_t，將Z_t與相乘即可得到所述包含方面詞的重要情感特征的上下文表示S；

S43、將所述包含方面詞的重要情感特征的上下文表示輸入所述分類器中，獲取方面詞對應情感極性的概率值，取概率最大的情感極性作為預測結果。