本申請(qǐng)涉及人工智能，尤其涉及一種文本情感極性分類方法及裝置、可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、文本情感分析是指利用自然語言處理和文本挖掘技術(shù)，對(duì)帶有情感色彩的主觀性文本進(jìn)行分析、處理和抽取的過程，利用所抽取的情感特征對(duì)主觀性文本的情感極性為積極性還是消極性。

2、現(xiàn)有文本情感極性分類方法多采用串行結(jié)構(gòu)的混合神經(jīng)網(wǎng)絡(luò)模式進(jìn)行特征抽取，但串行結(jié)構(gòu)在特征傳遞的過程中特征損失問題會(huì)被放大，且訓(xùn)練過程更容易發(fā)生過擬合現(xiàn)象，并且多個(gè)神經(jīng)網(wǎng)絡(luò)特點(diǎn)不同，所抽取的特征類型也不同，采用串行結(jié)構(gòu)并不能將多種類型特征完全利用，導(dǎo)致文本情感極性分類結(jié)果的準(zhǔn)確率低。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)實(shí)施例的目的是提供一種文本情感極性分類方法及裝置、可讀存儲(chǔ)介質(zhì)，用以解決目前混合神經(jīng)網(wǎng)絡(luò)分類文本情感極性存在的準(zhǔn)確率低的問題。

2、為了解決上述技術(shù)問題，本說明書是這樣實(shí)現(xiàn)的：

3、第一方面，提供了一種文本情感極性分類方法，包括：

4、獲取主觀性文本對(duì)應(yīng)的詞向量矩陣；

5、基于所述詞向量矩陣和雙向循環(huán)門控單元gru網(wǎng)絡(luò)，得到所述主觀性文本的全局上下文特征；

6、基于所述詞向量矩陣和寬動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)dcnn，得到所述主觀性文本的深度局部特征和邊緣信息；

7、通過將所述全局上下文特征、深度局部特征和邊緣信息進(jìn)行融合，得到融合特征；

8、基于所述融合特征和全連接層，確定所述主觀性文本的情感極性類型。

9、可選地，所述基于所述詞向量矩陣和雙向循環(huán)門控單元gru網(wǎng)絡(luò)，得到所述主觀性文本的全局上下文特征，包括：

10、將所述詞向量矩陣輸入雙向gru網(wǎng)絡(luò)；

11、經(jīng)所述雙向gru網(wǎng)絡(luò)的循環(huán)門控單元的前向編碼和后向編碼，得到包含所述主觀性文本的上文信息和下文信息的隱藏層；

12、通過從所述隱藏層提取上文信息和下文信息，得到所述主觀性文本的全局上下文特征。

13、可選地，所述雙向gru網(wǎng)絡(luò)包括第一層雙向gru網(wǎng)絡(luò)和第二層雙向gru網(wǎng)絡(luò)，

14、所述第一層雙向gru網(wǎng)絡(luò)輸出為淺層特征信息的所述主觀性文本的全局上下文特征，所述第一層雙向gru網(wǎng)絡(luò)的輸出為所述第二層雙向gru網(wǎng)絡(luò)的輸入；

15、所述第二層雙向gru網(wǎng)絡(luò)輸出為深層特征信息的所述主觀性文本的全局上下文特征。

16、可選地，所述基于所述詞向量矩陣和寬動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)dcnn，得到所述主觀性文本的深度局部特征和邊緣信息，包括：

17、通過具有預(yù)定大小的寬卷積核的寬dcnn網(wǎng)絡(luò)，在所述詞向量矩陣中依次進(jìn)行卷積操作，其中所述寬卷積核的預(yù)定大小不完全覆蓋所述詞向量矩陣；

18、在所述寬卷積核覆蓋不到所述詞向量矩陣的區(qū)域進(jìn)行零填充；

19、基于卷積操作，從所述寬卷積核覆蓋覆蓋所述詞向量矩陣的區(qū)域，提取所述主觀性文本的深度局部特征；

20、基于卷積操作，從所述寬卷積核覆蓋覆蓋不到所述詞向量矩陣的區(qū)域，提取所述主觀性文本的邊緣信息。

21、可選地，所述寬dcnn網(wǎng)絡(luò)包括第一寬dcnn網(wǎng)絡(luò)和第二寬dcnn網(wǎng)絡(luò)，

22、所述第一寬dcnn網(wǎng)絡(luò)包括依次連接的第一寬卷積層、第一動(dòng)態(tài)k-max池化層、第二寬卷積層和第二k-max池化層；

23、所述第二寬dcnn網(wǎng)絡(luò)包括依次連接的第三寬卷積層、第三動(dòng)態(tài)k-max池化層、第四寬卷積層和第四k-max池化層；

24、其中，第一動(dòng)態(tài)k-max池化層和第二動(dòng)態(tài)k-max池化層的k值，通過所述主觀性文本的長度與對(duì)應(yīng)寬dcnn網(wǎng)絡(luò)的層數(shù)動(dòng)態(tài)計(jì)算得到；所述第一k-max池化層和第二k-max池化層的k值為預(yù)設(shè)值。

25、可選地，所述第一寬dcnn網(wǎng)絡(luò)包括依次連接的第一寬卷積層、第一動(dòng)態(tài)k-max池化層、第二寬卷積層和第二k-max池化層；

26、所述第二寬dcnn網(wǎng)絡(luò)包括依次連接的第三寬卷積層、第三動(dòng)態(tài)k-max池化層、第四寬卷積層和第四k-max池化層；

27、其中，第一動(dòng)態(tài)k-max池化層和第二動(dòng)態(tài)k-max池化層的k值，通過所述主觀性文本的長度與對(duì)應(yīng)寬dcnn網(wǎng)絡(luò)的層數(shù)動(dòng)態(tài)計(jì)算得到；所述第一k-max池化層和第二k-max池化層的k值為預(yù)設(shè)值。

28、可選地，所述得到融合特征之后，還包括：

29、通過注意力層為各融合特征分配注意力權(quán)重；

30、基于分配的注意力權(quán)重，計(jì)算各融合特征對(duì)應(yīng)的加權(quán)和；

31、基于所述加權(quán)和，確定所述主觀性文本的最終特征。

32、可選地，所述基于所述融合特征和全連接層，確定所述主觀性文本的情感極性類型，包括：

33、將所述主觀性文本的最終特征輸入所述全連接層；

34、通過所述全連接層采用的softmax激活函數(shù)，計(jì)算出所述主觀性文本的情感概率值；

35、基于所述主觀性文本的情感概率值，確定所述主觀性文本的情感極性類型為積極性情感還是消極性情感。

36、第二方面，提供了一種文本情感極性分類裝置，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器存儲(chǔ)可在所述處理器上運(yùn)行的程序或指令，所述程序或指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的方法的步驟。

37、第三方面，提供了一種可讀存儲(chǔ)介質(zhì)，該可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有程序或指令，所述程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的方法的步驟。

38、在本申請(qǐng)實(shí)施例中，通過獲取主觀性文本對(duì)應(yīng)的詞向量矩陣；基于所述詞向量矩陣和雙向循環(huán)門控單元gru網(wǎng)絡(luò)，得到所述主觀性文本的全局上下文特征；基于所述詞向量矩陣和寬動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)dcnn，得到所述主觀性文本的深度局部特征和邊緣信息；通過將所述全局上下文特征、深度局部特征和邊緣信息進(jìn)行融合，得到融合特征；基于所述融合特征和全連接層，確定所述主觀性文本的情感極性類型，由此通過構(gòu)建寬dcnn網(wǎng)絡(luò)與雙向gru網(wǎng)絡(luò)的并行混合網(wǎng)絡(luò)，避免了串行結(jié)構(gòu)網(wǎng)絡(luò)不能有效利用多種特征信息導(dǎo)致的特征損失問題，并有效利用不同神經(jīng)網(wǎng)絡(luò)抽取主觀性文本的深度局部特征、全局上下文特征、邊緣特征的多種特征信息，提高了主觀性文本特征信息的豐富程度，進(jìn)而提高文本情感極性分類結(jié)果的準(zhǔn)確性。

技術(shù)特征：

1.一種文本情感極性分類方法，其特征在于，包括：

2.如權(quán)利要求1所述的方法，其特征在于，所述基于所述詞向量矩陣和雙向循環(huán)門控單元gru網(wǎng)絡(luò)，得到所述主觀性文本的全局上下文特征，包括：

3.如權(quán)利要求2所述的方法，其特征在于，所述雙向gru網(wǎng)絡(luò)包括第一層雙向gru網(wǎng)絡(luò)和第二層雙向gru網(wǎng)絡(luò)，

4.如權(quán)利要求1所述的方法，其特征在于，所述基于所述詞向量矩陣和寬動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)dcnn，得到所述主觀性文本的深度局部特征和邊緣信息，包括：

5.如權(quán)利要求4所述的方法，其特征在于，所述寬dcnn網(wǎng)絡(luò)包括第一寬dcnn網(wǎng)絡(luò)和第二寬dcnn網(wǎng)絡(luò)，

6.如權(quán)利要求5所述的方法，其特征在于，

7.如權(quán)利要求1至6中任一項(xiàng)所述的方法，其特征在于，所述得到融合特征之后，還包括：

8.如權(quán)利要求7所述的方法，其特征在于，所述基于所述融合特征和全連接層，確定所述主觀性文本的情感極性類型，包括：

9.一種文本情感極性分類裝置，其特征在于，包括：存儲(chǔ)器和與所述存儲(chǔ)器電連接的處理器，所述存儲(chǔ)器存儲(chǔ)有可在所述處理器運(yùn)行的程序或指令，所述程序或指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的方法的步驟。

10.一種可讀存儲(chǔ)介質(zhì)，其特征在于，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有程序或指令，所述程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的方法的步驟。

技術(shù)總結(jié)
本申請(qǐng)公開了一種文本情感極性分類方法及裝置、可讀存儲(chǔ)介質(zhì)，包括：獲取主觀性文本對(duì)應(yīng)的詞向量矩陣；基于所述詞向量矩陣和雙向循環(huán)門控單元GRU網(wǎng)絡(luò)，得到所述主觀性文本的全局上下文特征；基于所述詞向量矩陣和寬動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)DCNN，得到所述主觀性文本的深度局部特征和邊緣信息；通過將所述全局上下文特征、深度局部特征和邊緣信息進(jìn)行融合，得到融合特征；基于所述融合特征和全連接層，確定所述主觀性文本的情感極性類型。

技術(shù)研發(fā)人員：柴豪駿,徐曉東,張偉,馬渤濤,王勝利,張武強(qiáng),單春青,聶鵬
受保護(hù)的技術(shù)使用者：中移雄安信息通信科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21