语句情感分析方法、装置以及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115827878A(43)申请公布日2023.03.21(21)申请号202310100512.4G06N3/0455(2023.01)(22)申请日2023.02.13G06N3/042(2023.01)G06N3/0464(2023.01)(71)申请人华南师范大学G06N3/047(2023.01)地址528225广东省佛山市南海区狮山南G06N3/048(2023.01)海软件园华南师范大学电子与信息工G06N3/0895(2023.01)程学院(72)发明人蔡倩华陈洁海刘俊希薛云(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.G06F16/35(2019.01)G06F40/211(2020.01)G06F40/253(2020.01)G06F40/30(2020.01)权利要求书5页说明书15页附图5页(54)发明名称语句情感分析方法、装置以及设备(57)摘要本发明涉及情感分析领域，特别涉及一种语句情感分析方法、装置、设备以及存储介质，获得训练语句的句法信息以及语义信息，采用匿名游走方法，对训练语句的句法结构信息进行提取，并将提取到的句法结构信息、训练语句的句法信息以及语义信息作为训练数据对模型进行训练，增强了模型句法依赖解析能力，提高了模型对句法结构分析的准确性，能够更加全面地对语句进行情感分析，提高情感分析的精准性以及效率。CN115827878ACN115827878A权利要求书1/5页1.一种语句情感分析方法，其特征在于，包括以下步骤：获取预设批次的训练语句集以及情感标签集，其中，所述训练语句集中包括若干个训练语句，所述情感标签集包括若干个训练语句的真实情感向量以及真实情感极性；获取待训练的情感分析模型，其中，所述待训练的情感分析模型包括句子编码模块、语义图卷积模块、句法图卷积模块、特征交互模块以及情感分析模块；将所述训练语句集输入至所述句子编码模块中，获取若干个所述训练语句的句子特征表示；将若干个所述训练语句的句子特征表示输入至所述语义图卷积模块中，获得若干个所述训练语句的语义特征表示；构建若干个所述训练语句的依存句法图，根据若干个所述训练语句的初始句法图，构建若干个所述训练语句的第一句法邻接矩阵，将所述句子特征表示以及第一句法邻接矩阵输入至所述句法图卷积模块中，获得若干个所述训练语句的句法特征表示；将若干个所述训练语句的语义特征表示以及句法特征表示输入至所述特征交互模块中进行特征交互，获得若干个所述训练语句的方面词对应的句法交互特征向量以及语义交互特征向量；将同一个训练语句的方面词对应的句法交互特征向量以及语义交互特征向量进行拼接，获得若干个所述训练语句的拼接特征向量，将若干个所述训练语句的拼接特征向量输入至所述情感分析模块中进行情感分析，获取若干个所述训练语句的预测情感向量以及预测情感极性；采用匿名游走方法，对若干个所述训练语句的依存句法图进行句法结构信息提取，获取若干个所述训练语句的句法结构特征数据；根据若干个所述训练语句的预测情感向量、预测情感极性、真实情感向量、真实情感极性、句法交互特征表示以及语义交互特征表示以及句法结构特征数据以及预设的损失函数，对所述待训练的情感分析模型进行训练，获得目标情感分析模型；获取待测语句，将所述待测语句输入至所述目标情感分析模型中，获得所述待测语句的预测情感极性，作为所述待测语句的情感分析结果。2.根据权利要求1所述的语句情感分析方法，其特征在于：所述训练语句包括若干个单词，所述单词包括若干个上下文单词以及方面词。3.根据权利要求1所述的语句情感分析方法，其特征在于：所述语义图卷积模块包括第一多层图卷积网络；所述将若干个所述训练语句的句子特征表示输入至所述语义图卷积模块中，获得若干个所述训练语句的语义特征表示，包括步骤：根据若干个所述训练语句的句子特征表示以及预设的自注意力计算算法，构建若干个所述训练语句的语义邻接矩阵，其中，所述自注意力计算算法为：式中，为所述语义邻接矩阵，softmax为归一化函数，为所述句子特征表示，为所述语义图卷积模块的第一可训练权重参数，为所述语义图卷积模块的第二可训练2CN115827878A权利要求书2/5页权重参数，d为维度参数；分别将若干个所述训练语句的句子特征表示作为所述第一多层图卷积网络的首层输入数据，根据若干个所述训练语句的语义邻接矩阵以及预设的语义特征计算算法，获得若干个所述训练语句的语义特征表示，其中，所述语义特征计算算法为：式中，为所述第一多层图卷积网络的第l+1层的语义特征表示，为所述第一多层图卷积网络的第l层的语义特征表示，为非线性激活函数，为所述第一多层图卷积网络的第l层的可训练权重参数矩阵，为所述第