(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211047550.X (22)申请日 2022.08.30 (65)同一申请的已公布的文献号 申请公布号 CN 115168592 A (43)申请公布日 2022.10.11 (73)专利权人 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 肖峻阳　赵浩梁　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. G06F 16/35(2019.01) G06F 40/295(2020.01) G06F 40/30(2020.01)(56)对比文件 CN 113535904 A,2021.10.2 2 CN 113743097 A,2021.12.0 3 CN 112446202 A,2021.0 3.05 US 20152 22586 A1,2015.08.0 6 US 2022092267 A1,202 2.03.24 Zhaowei Chen等.Aspect-Based Sentiment Analysis Usi ng Graph Co nvolutional Networks and Co-at tention Mechanism. 《Spring Nature Sw itzerland AG 2021》 .2021, 441-448. Haoliang Zhao.Model ing Inter-aspect Relationship with Conjuncito n forAspect- Based Sentiment Analysis. 《Spri ng Nature Switzerland AG 2021》 .2021,75 6-767. Kai Wang等.Relati onal Graph A ttention Network for Aspect-based Sentiment Analysis. 《arXiv.org》 .2020,1-10. 审查员 李萌 (54)发明名称 基于方面类别的语句情感分析方法、 装置以 及设备 (57)摘要 本发明涉及情感分析领域， 特别涉及一种基 于方面类别的语句情感分析方法、 装置、 设备 以 及存储介质。 通过样本语句以及样 本语句的若干 个方面类别组， 构建句子特征表示集、 词嵌入表 示集以及方面类别表示集， 采用 深度学习方法， 对神经网络模 型进行训练， 提高了基于方面类别 的情感分析的精准性以及效率性， 从而实现对语 句的情感分析的准确以及稳定分析。 权利要求书6页 说明书15页 附图6页 CN 115168592 B 2022.12.27 CN 115168592 B 1.一种基于方面类别的语句情感分析 方法， 其特 征在于， 包括以下步骤： 获得若干个样本语句以及所述样本语句的若干个方面类别组， 其中， 所述方面类别组 包括若干个特 征词， 所述特 征词的类型包括实体词以及属性词； 将所述若干个样本语句以及相应的若干个方面词类别组进行拼接处理， 获得若干个拼 接处理后的样本语句； 将所述若干个拼接处理后的样本语句输入至神经网络模型中的编码模块， 获得所述若 干个拼接处理后的样本语句的若干个单词对应的词嵌入表示， 若干个方面类别组的若干个 实体词对应的词嵌入表示以及属性词对应的词嵌入表示； 将同一个拼接处理后样本语句的若干个单词对应的词嵌入表示进行拼接， 获得所述若 干个样本语句的句子特 征表示， 作为句子特 征表示集； 将同一个拼接处理后样本语句的若干个方面类别组的若干个实体词对应的词嵌入表 示以及属性词对应的词嵌入表示进行组合， 获得所述若干个样本语句的若干个方面类别组 的若干个特 征词对应的词嵌入表示， 作为词嵌入特 征表示集； 将包含有同一实体词的拼接处理后的样本语句进行组合， 获得若干个实体词对应的样 本语句集， 以及将包含有同一属 性词的拼接处理后的样本语句进行组合， 获得若干个属 性 词对应的样本语句集； 将所述若干个实体词对应的样本语句集以及所述若干个属性词对应的样本语句集分 别输入至所述神经网络模型中的编 码模块， 获得所述若干个实体词对应的样本语句集中若 干个样本语句的方面类别特征表示， 以及获得所述若干个属性词对应的样本语句集中若干 个样本语句的方面类别特 征表示， 作为方面类别特 征表示集； 将所述词嵌入表示集以及方面类别特征表示集输入至所述神经网络模型中的图注意 力网络模块， 获得 所述若干个样本语句的若干个方面类别组对应的注意力特 征表示； 将所述句子特征表示集以及词嵌入表示集输入至所述神经网络模型中的门机制语义 特征提取模块， 获得 所述若干个样本语句的若干个方面类别组的语义特 征表示； 将所述若干个样本语句的若干个方面类别组的注意力特征表示以及语义特征表示输 入至神经网络模型中的分布预测模块中， 获得所述若干个样本语句的若干个方面类别组的 预测分布数据； 根据所述若干个样本语句的若干个方面类别组的预测分布数据， 构建所述神经网络模 型的损失函数， 并对所述神经网络模型进行优化训练， 获取优化训练后的神经网络模型； 响应于情感分析指令， 获取待测语句， 将所述待测语句输入至所述优化训练后的神经 网络模型中， 获得 所述待测语句的情感分析 结果。 2.根据权利要求1所述的基于方面类别的语句 情感分析方法， 其特征在于， 所述将所述 词嵌入表示集以及方面类别特征表示集输入至所述神经网络模型中的图注意力网络模块， 获得所述若干个样本语句的若干个方面类别组对应的注意力特 征表示， 包括 步骤： 构建与所述样本语句相应的特征词相关联的图网络结构， 其中， 所述图网络包括中心 节点以及若干个子节点； 将所述特征词对应的词嵌入表示设置在所述图网络结构的中心节点， 并从所述方面类 别特征表示集中， 将同一特征词对应的样本语句的方面类别特征表示分别设置在所述图网 络结构的子节点上， 构建所述若干个样本语句的若干个方面类别组的邻接矩阵；权　利　要　求　书 1/6 页 2 CN 115168592 B 2根据所述若干个特征词对应的样本语句的方面类别特征表示、 相应的特征词对应的邻 接矩阵以及所述图注意力网络模块的图注意力计算算法， 获得所述若干个样本语句的若干 个方面类别组的若干个特征词对应的注意力特征表示， 其中， 所述特征词对应的注意力特 征表示包括实体词对应的注意力特征表示， 以及属 性词对应的注意力特征表示， 所述图注 意力计算 算法为： 式中， 为所述图注意力网络模块的第 l层的特征词对应的注意力特征表示， ReLU（ ） 为激活函数， q为所述图网络 结构的子节点的数目， 为所述图注意力网络模块的第 l层的 权重参数， 为所述图注意力网络模块的第 l层的可训练的位置关系矩阵， 为所述 图注意力网络模块的第 l层的方面类别特征表示， 为所述图注意力网络模块的第 l层的 偏置参数， 为第j个样本语句的第 k个方面类别组的邻接矩阵中节点之间关系， 为所 述图注意力网络模块的参数矩阵， 为所述图注 意力网络模块的第 l‑1层的特征词对应 的词嵌入表示； 根据所述同一个方面类别组 的实体词对应的注意力特征表示、 所述属性词对应的注意 力特征表示以及预设的特征融合算法， 获得所述若干个样本语句的若干个方面类别组对应 的注意力特 征表示， 其中， 所述特 征融合算法为： 式中， 为第i个样本语句中的第 k个方面类别组对应的注意力特征表示， 为 所述图注意力网络模块的第 l层的实体词对应的注意力特征表示， 为所述图注 意力网络模块的第 l层的属性词对应的注意力特征表示， 为预设的第一可训练权重参数， 为预设的第二可训练权 重参数。 3.根据权利要求1所述的基于方面类别的语句 情感分析方法， 其特征在于： 所述语义特 征表示包括第一语义特 征表示以及第二语义特 征表示； 所述将所述句子特征表示集以及词嵌入表示集输入至所述神经网络模型中的门机制 语义特征提取模块， 获得所述若干个样本语句的若干个方面类别组的语义特征表示， 包括 步骤： 获得所述若干个样本语句的若干个方面类别组的拼接向量， 以及所述若干个样本语句 的词性矩阵， 其中， 所述拼接 向量为同一组方面类别组的若干个特征词对应的词嵌入表示 进行拼接处 理的结果；权　利　要　求　书 2/6 页 3 CN 115168592 B 3