(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210799260.4 (22)申请日 2022.07.06 (71)申请人 曲阜师范大学 地址 273199 山东省济宁市曲阜市 静轩西 路57号 (72)发明人 王艳娜　周子力　张政　周淑霄　 (74)专利代理 机构 北京远创理想知识产权代理 事务所(普通 合伙) 11513 专利代理师 卫安乐 (51)Int.Cl. G06F 40/211(2020.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于增强图卷积神经网络的方面级情 感分析方法 (57)摘要 本发明公开了一种基于增强图卷积神经网 络的方面级情感分析方法， 该方法将方面感知 注 意力机制与自注意力机制相结合， 方面感知 注意 力机制学习与方面词相关的语义信息， 而自注意 力机制学习句子的全局语义， 并构造根据句法依 赖树中词之间的不同距离计算的句法掩码矩 阵 以学习从局部到全局的结构信息， 然后用以增强 传统图卷积神经网络， 最后通过多层图卷积操作 获得用于方面词情感分类的特征， 能更高效准确 地进行方面级情感分析。 权利要求书2页 说明书7页 附图1页 CN 115099219 A 2022.09.23 CN 115099219 A 1.一种基于增强图卷积神经网络的方面级情感分析方法， 其特征在于， 该方法具体包 括以下步骤： 步骤一、 构建输入层， 具体包括以下步骤： 11、 基于待分析文本构建方面词句 子对(a， s)； 其中， s＝{w1， w2， ......， wn}， 其为待分 析的句子， 包 含n个词； a＝{a1， a2， ......， am}， 其为待分析句子中的方面词的集 合； 12、 基于s＝{w1， w2， ......， wn}生成对应的词嵌入序列x＝{x1， x2， ......， xn}； 13、 将词嵌入序列x＝{x1， x2， ......， xn}输入到双向长短期记忆网络中生成 隐藏状态 向量序列H ＝{h1， h2， ......， hn}； 其中， h∈R2d是在时间步t时的隐藏状态向量， d是单向长短 期记忆网络输出的隐藏状态向量的维度； 14、 基于隐藏状态向量序列H＝{h1， h2， ......， hn}获得对应于a＝{a1， a2， ......， am}的 隐藏状态向量序列ha＝{ha1， ha2， ......， ham}； 步骤二、 构建注意力层， 具体包括以下步骤： 21、 基于p头方面感知注意力机制， 使用下述公式(1)计算方面感知注意力分数矩阵： 其中， i∈[1， p]， p为超参数， 方面感知注意力分数矩阵 表示它是通过第i个注意力 头获得的； tanh为激活函数， Ha∈R(n×d)为将隐藏状态向量序列ha＝{ha1， ha2， ......， ham}均 值池化后复制n次获得的结果， Wa∈R(d×d)和Wk∈R(d×d)均是可学习参数权重矩阵， 其中的d为 输入节点特征的维度， K为图卷积神经网络前一层的隐藏状态向量序列， T为转置， b为偏置 项； 22、 基于p头自注意力机制， 使用下述公式(2)计算自注意力分数矩阵： 其中， i∈[1， p]， p为上述超参数， 自注意力分数矩阵 表示它是通过第i个注意力头 获得的； Q和K均为图卷积神经网络前一层的隐藏状态向量序列， WQ∈R(d×d)和Wk∈R(d×d)均是 可学习参数权 重矩阵， d为输入节点特 征的维度， T为 转置； 23、 基于方面感知注意力分数矩阵和自注意力分数矩阵， 使用下述公式(3)计算注意力 分数矩阵： 其中， Ai为注意力分数矩阵； 步骤三、 构建句法掩码层， 具体包括以下步骤： 31、 对于句法依赖树中词节点vi和vj之间的路径距 离d(vi， vj)， 使用下述公式(4)计算词 节点vi和vj之间的最短路径 距离： D(i， j)＝mi nd(vi， vj)    (4) 32、 基于最短路径 距离D(i， j)， 使用下述公式(5)计算掩码矩阵： 其中， k∈[1， p]， p为上述超参数， M＝{M1， ......， Mp}；权　利　要　求　书 1/2 页 2 CN 115099219 A 233、 基于注意力分数矩阵和掩码矩阵， 使用下述公式(6)计算句法掩码矩阵： 其中， softmax为归一 化指数函数； 步骤四、 计算方面词的最终隐藏状态向量， 具体为使用下述公式(7)基于句法掩码矩阵 对图卷积神经网络进行增强并进 而获得方面词的最终隐藏状态向量： 其中， 图卷积神经网络包含 l层， l∈[1， L]； hl为该图卷积神经网络第l层的输出， 也即方 面词的最终隐藏状态向量； hl‑1为该图卷积神经网络第 l层的输入； σ 为非线性函数， Aij为句 法掩码矩阵Amask中第i行第j列那个元素， Wl为线性变换权重矩阵， bl为偏置项， n等于上述步 骤11中的n； 对于a＝{a1， a2， ......， am}， 则对应有更新后的隐藏状态向量序列 步骤五、 使用下述公式(8)对最终隐藏状态向量进行均值池化： 其中， f为均值池化 函数， 用于在图卷积神经网络层增强方面词的表示； 步骤六、 基于均值池化结果haspect使用下述公式(9)计算情感极性的概 率分布： p(a)＝softmax(Wphaspect+bp)     (9) 其中， softmax为归一化指数函数， Wp为可学习参数权重矩阵， bp为偏置项， 不同值的概 率分布p(a)对应于方面词的不同情感极性。 2.一种电子设备， 其特征在于， 该电子设备包括处理器和存储器； 所述存储器， 用于存 放计算机程序； 所述处理器， 用于执行存储器上所存放的程序时， 实现权利要求1所述的方 面级情感分析 方法的步骤。 3.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质内存储有计算机 程序， 所述计算机程序被处 理器执行时实现权利要求1所述的方面级情感分析 方法的步骤。权　利　要　求　书 2/2 页 3 CN 115099219 A 3