基于对比学习的情感分析方法、装置、设备以及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115906863A(43)申请公布日2023.04.04(21)申请号202211311151.XG06F18/214(2023.01)(22)申请日2022.10.25(71)申请人华南师范大学地址528225广东省佛山市南海区狮山南海软件园华南师范大学电子与信息工程学院(72)发明人熊浩良胡晓晖燕泽昊薛云(74)专利代理机构广州骏思知识产权代理有限公司44425专利代理师叶琼园(51)Int.Cl.G06F40/30(2020.01)G06F40/295(2020.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书6页说明书16页附图4页(54)发明名称基于对比学习的情感分析方法、装置、设备以及存储介质(57)摘要本发明涉及情感分析领域，特别涉及一种基于对比学习的情感分析方法、装置、设备以及存储介质，通过引入依存信息以及词性信息，构建若干个样本语句的正例以及负例，利用对比学习方法加强语句中的信息，并结合若干个样本语句的情感极性，利用对比学习方法以兼顾语义特征以及句法特征的一致性和均匀性，更加全面地对语句进行情感分析，提升了情感分析的准确性以及效率。CN115906863ACN115906863A权利要求书1/6页1.一种基于语句的情感分析方法，其特征在于，包括以下步骤：获取若干个样本语句、依存信息、词性信息以及情感标签集；其中，所述样本语句包括若干个单词以及方面词，所述依存信息为所述方面词与各个单词之间的依存类型标记信息，所述词性信息为所述若干个样本语句中若干个非方面词的词性标记信息，所述情感标签集包括所述若干个样本语句对应的真实情感概率分布向量；获取预设的情感分类模型；所述情感分类模型包括句子编码网络、嵌入矩阵构建网络、第一图卷积网络、第二图卷积网络、多层互双仿射网络以及全连接网络；将所述若干个样本语句输入至所述句子编码网络，获得所述若干个样本语句的句子特征表示；根据所述依存信息，构建所述若干个样本语句的依存句法图，根据所述词性信息，构建所述若干个样本语句的正例表示序列以及负例表示序列；将所述若干个样本语句的依存句法图、相应的正例表示序列以及负例表示序列输入至所述嵌入矩阵构建网络，获得所述若干个样本语句的嵌入矩阵，将所述若干个样本语句的嵌入矩阵分别与相应的所述正例表示序列以及负例表示序列相乘，获得所述若干个样本语句的正例嵌入矩阵以及负例嵌入矩阵；根据所述若干个样本语句的嵌入矩阵、正例嵌入矩阵以及负例嵌入矩阵，获得所述嵌入矩阵构建网络输出的第一损失值；将所述若干个样本语句的句子特征表示输入至所述第一图卷积网络中进行图卷积处理，获得所述若干个样本语句的初始语义特征表示；将所述若干个样本语句的句子特征表示以及相应的嵌入矩阵输入至所述第二图卷积网络中进行图卷积处理，获得所述若干个样本语句的初始句法特征表示；将所述若干个样本语句的初始语义特征表示以及初始句法特征表示输入至所述多层互双仿射网络中进行融合处理，获得所述若干个样本语句的融合语义特征表示以及融合句法特征表示；将所述若干个样本语句的融合语义特征表示、融合句法特征表示输入至所述全连接网络中，获得所述若干个样本语句的预测情感概率分布向量，根据所述若干个样本语句的预测情感概率分布向量，获得所述若干个样本语句的情感极性；将所述若干个样本语句的情感标签集输入至所述全连接网络，根据所述若干个样本语句的预测情感概率分布向量以及相应的真实情感概率分布向量，获得所述全连接网络输出的第二损失值；将具有相同情感极性的所述若干个样本语句进行组合，获得若干个正例样本语句集，根据所述若干个正例样本语句集对应的若干个样本语句的融合语义特征表示以及融合句法特征表示，获得所述全连接网络输出的第三损失值以及第四损失值；根据所述第一损失值、第二损失值、第三损失值以及第四损失值，构建所述情感分类模型的总损失函数，结合所述总损失函数，对所述情感分类模型进行迭代训练，直到满足训练停止条件，获取训练好的情感分类模型；获取待测语句，将所述待测语句输入至所述训练好的情感分类模型，获得所述待测语句的情感极性，作为所述待测语句的情感分析结果。2.根据权利要求1所述的基于语句的情感分析方法，其特征在于：所述句子特征表示集包括若干个样本语句的句子特征表示；所述将所述若干个样本语句的句子特征表示输入至所述第一图卷积网络中进行图卷2CN115906863A权利要求书2/6页积处理，获得所述若干个样本语句的初始语义特征表示，包括步骤：根据所述若干个样本语句的句子特征表示以及预设的第一多头自注意力算法，获得所述若干个样本语句的第一注意力权重矩阵，其中，所述第一多头自注意力算法为：式中，Asem为所述样本语句的第一注意力权重矩阵，Soft