买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本公开提供了一种基于依赖感知图卷积网络的方面级情感分类方法及系统包括：获取文本信息：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习；本公开对词与词之间边的处理根据不同的依赖信息给予不同的关注，将重要的上下文信息与这些关系区分开来以增强ASC，提高了在不同数据集上对情感极性判断的准确性和稳定性。

主权项：1.一种基于依赖感知图卷积网络的方面级情感分类方法，其特征在于，包括：获取文本信息：依据获取的文本信息和预设的方面级情感分类模型，得到情感分类结果；其中，方面级情感分类模型中，将依据文本信息获得的上下文表示输入多头注意力层，实现上下文序列和方面词之间的相互作用，以及在图神经网络中增加对依赖类型信息的整合，对词与词之间边的处理根据不同的依赖信息给予不同的关注，使用多层依赖感知的图卷积网络层进行综合学习；涉及的具体步骤为：步骤1：获取文本信息；步骤2：将步骤1得到的词向量嵌入转化为上下文表示，使用双向长短期记忆Longshort-termmemory，LSTM网络和多头注意力得到特定方向的上下文表示；步骤2.1：将步骤1的上下文输出输入双向LSTM层；将双向LSTM应用于上下文编码器，捕获句子中的长距离依赖关系；连接向前方向和向后方向的隐藏表示，获得上下文表示，定义为： 其中，和分别表示向前和向后的隐藏状态，t表示某个时刻，θLSTM表示在双向LSTM中使用的参数，表示连接，hL表示双向LSTM的输出上下文表示；步骤2.2：将步骤2.1得到的上下文表示输入多头注意力层，多头注意力同时执行多种注意功能的注意力，实现上下文序列和方面词之间的相互作用，增强集成，得到上下文信息；定义为： 其中表示多头注意力层的第i个头，Q、K、W分别表示查询序列、键序列和值序列，W0、WQ、WK、WV是可学习的矩阵，hMHA表示多头注意力层的输出，得到特定方面的上下文表示层的最终输出；步骤3：将步骤2.2多头注意力层获得的上下文表示输入依赖感知的图卷积网络模块；步骤3.1：构建依赖感知图；首先，从获得的依存树得到依赖结果，用依赖性元组的列表来表示，表示和之间的依赖类型；其次，使用邻接矩阵表示元组中上下文词的依赖关系，如果两个上下文和之间有依赖关系，那么连接矩阵相应位置就是1，否则就是0；然后使用依赖关系类型矩阵表示依赖关系相应的依赖类型；最后，为了利用依赖关系类型，使用一个转移矩阵将所有映射到它们的嵌入项步骤3.2：将多头注意力层获得的上下文表示输入依赖感知的图卷积网络模块；应用L层基于依赖类型的图卷积网络，在L层中对于任意两个上下文词和之间的边使用L-1层中的隐藏层向量和和来自特定方面的上下文表示中多头注意力层的输出与依赖类型的嵌入连接起来； 接下来，为边计算权重，并且将和的维度对齐； 最后，将应用到边，并计算在L层基于依赖类型的图卷积网络的过程之后的第l层的输出； 其中，Wl和bl表示第L层深度依赖感知图卷积网络中可学习的参数，以及σ表示激活函数，使用ReLU激活函数，得到深度依赖感知图卷积网络层的最终输出；上述过程针对每个和整个L层深度依赖感知图卷积网络进行的，因此深度依赖感知图卷积网络层中嵌入了依赖类型的信息能够相应地增强方面级情感分析。

全文数据：

权利要求：

百度查询： 山东师范大学 基于依赖感知图卷积网络的方面级情感分类方法及系统