一種基于多通道圖卷積網絡的方面情感三元組抽取方法，涉及一種圖卷積神經網絡架構抽取方法，網絡架構包括三個核心模塊：特征輸出模塊、多通道圖卷積網絡模塊和表解碼模塊。該框架有效地利用了BERT、BiLSTM和提示學習機制的優勢進行特征提取。通過并行的三通道設計，分別建模正面、負面和中性情感下的詞對關系，從而能夠更全面地提取和表示文本中的情感信息。這種多通道設計不僅提高了模型的表達能力，還增強了模型在處理復雜情感信息時的魯棒性。本發明專利技術為開發用戶評論情感分析系統提供了核心動力，并且這項新技術對于商家及時改進產品和服務以及個人優化的消費決策具有深遠的影響。
【技術實現步驟摘要】
本專利技術涉及一種圖卷積神經網絡架構抽取方法，特別是涉及一種基于多通道圖卷積網絡的方面情感三元組抽取方法。
技術介紹
1、在數字時代技術快速發展的推動下，社交媒體平臺上的評論數量激增，生成了大量含有用戶情感和觀點的文本數據，這為情感分析提供了豐富的素材。然而，傳統的整體情感分析方法(如好評、中評、差評)已難以滿足復雜數據的分析需求，迫切需要更細粒度的文本數據情感分析方法，因此方面情感三元組抽取(aspectsentimenttripletextraction，aste)任務應運而生。
2、aste旨在從給定的句子中提取三元組幫助進行更細致的情感分析，這些三元組由方面、意見和情感組成。雖然近年來該領域的研究取得了顯著進展，但仍面臨處理大規模數據集的準確性、句法和語義信息挖掘不足、關系表單元格之間無交互作用、難以充分捕捉多情感共存的復雜關系等挑戰。
技術實現思路
1、本專利技術的目的在于提供一種基于多通道圖卷積網絡的方面情感三元組抽取方法，該方法基于多通道圖卷積網絡的方面情感三元組抽取架構，該架構中引入了bert、雙向長短期記憶網絡(bilstm)和提示學習機制，并在不同情感維度下進行圖卷積操作，旨在提高aste任務的性能和處理復雜情感信息時的魯棒性，從而推進細粒度情感分析的最新技術水平。
2、本專利技術的目的是通過以下技術方案實現的：
3、一種基于多通道圖卷積網絡的方面情感三元組抽取方法，所述方法包括以下構成：
4、(1)特征輸出模塊</p>5、采用了bert和bilstm作為雙編碼器，分別用于捕獲單詞之間的語義關系和局部依賴性，提高模型對文本的理解能力，然后通過引入提示學習機制，將情感提示信息直接嵌入到句子編碼中，使得模型能夠在不依賴外部知識的情況下，自適應地學習情感關系；首先使用雙編碼器提取句子的表示，其編碼過程如下公式：
6、
7、其中，是編碼器的最后一層隱藏狀態輸出，d表示隱藏狀態的維度，h是輸入句子x的表示，ht則是模板t的表示。ht包含與模板中掩碼槽位對應的6個表示，分別為分別代表正面、負面和中性情感下的方面術語和觀點術語；
8、在獲得句子和模板的聯合表示后，接下來模型計算每個單詞與模板中各個槽位之間的相關性；引入了提示注意力機制，用于計算注意力得分矩陣
9、(2)多通道圖卷積網絡模塊
10、三通道圖卷積網絡(tri-channel?graph?convolution?network)是該架構中的核心模塊，旨在通過不同情感維度下的圖卷積操作，捕捉句子中詞對之間的情感關系；該模塊將圖結構中的節點表示為多層卷積操作的輸入，通過并行的三通道結構(正面、負面和中性情感)分別處理不同的情感信息，最終生成每個詞對的綜合情感關系表示；
11、(3)表解碼模塊
12、表解碼是模型從三通道圖卷積網絡生成的節點表示中提取情感三元組的關鍵步驟；該過程分為兩個部分：檢測和分類；通過這兩個階段，模型從節點表示中識別出候選的情感區域并對其進行情感分類，從而生成最終的情感三元組。
13、所述的一一種基于多通道圖卷積網絡的方面情感三元組抽取方法，所述特征輸出模塊注意力得分矩陣的每一行對應一個模板槽位的嵌入，列則對應輸入句子中的每個單詞；
14、p＝softmax(τwht)
15、其中，表示模板中的六個嵌入表示，表示句子的嵌入矩陣，是可學習的參數矩陣；通過矩陣乘法，模型捕捉到句子中每個單詞與模板中每個槽位的相關性，并通過softmax函數對結果進行歸一化，以確保注意力得分矩陣中的值是概率分布；注意力得分矩陣的每個元素pij表示模板中第i個槽位與句子中第j個單詞之間的相關性。
16、所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，所述多通道圖卷積網絡模塊的圖卷積網絡(gcn)是一種常用于圖結構數據的神經網絡，它通過聚合每個節點與其鄰居節點的信息來更新節點的表示；在該模塊中，圖卷積網絡的核心思想是通過多層卷積操作，逐步聚合來自鄰居節點的情感信息，從而增強模型對節點間關系的理解；給定一個圖g，圖卷積操作通過如下公式進行：
17、
18、其中，是l層中cij的表示，是可學習的權重矩陣，σ是非線性激活函數(如relu)，表示連接節點cij和其鄰居節點gk之間的邊權重。
19、所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，所述多通道圖卷積網絡模塊三通道并行卷積結構，每個通道對應一個情感圖，并獨立執行圖卷積操作，在每個通道中，模型通過多層卷積逐步聚合情感信息。
20、所述的一一種基于多通道圖卷積網絡的方面情感三元組抽取方法，所述每個通道模型通過多層卷積逐步聚合情感信息，具體過程為：正面情感通道負責處理正面情惑圖gpos；在該通道中，模型通過圖卷積操作聚合正面情惑相關的節點和邊權重，逐步更新節點表示；卷積操作的最終輸出是一一個包含正面情感信息的節點表示矩陣c′pos該矩陣為后續情感三元組的正面情感部分提供了基礎；負面情感通道的操作與正面情感通道類似，但它處理的是負面情感圖gneg；通過圖卷積，模型聚合負面情感相關的節點信息，生成一個包含負面情感信息的節點表示矩陣c′neg；中性情感通道處理中性情感圖gneu，該通道通過聚合中性情感的節點信息，生成中性情感節點表示矩陣c′neu。
21、在三個情感通道分別完成圖卷積操作后，模型通過拼接操作將三個通道的結果融合在一一起，生成最終的節點表示矩陣c′，融合操作如下公式：
22、
23、本專利技術的優點與效果是：
24、1.本專利技術提出了一創新的高效的深度學習框架，用于抽取方面情感三元組，該框架有效地利用了bert、bilstm和提示學習機制的優勢進行特征提取。通過并行的三通道設計，分別建模正面、負面和中性情感下的詞對關系，從而能夠更全面地提取和表示文本中的情感信息。這種多通道設計不僅提高了模型的表達能力，還增強了模型在處理復雜情感信息時的魯棒性。
25、2.本專利技術在細粒度的情感分析領域推動了該領域的邊界，并為開發用戶評論情感分析系統提供了核心動力，并且這項新技術對于商家及時改進產品和服務以及個人優化的消費決策具有深遠的影響。
本文檔來自技高網...
【技術保護點】
1.一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述方法包括以下構成：
2.根據權利要求1所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述特征輸出模塊注意力得分矩陣的每一行對應一個模板槽位的嵌入，列則對應輸入句子中的每個單詞；
3.根據權利要求1所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述多通道圖卷積網絡模塊的圖卷積網絡(GCN)是一種常用于圖結構數據的神經網絡，它通過聚合每個節點與其鄰居節點的信息來更新節點的表示；在該模塊中，圖卷積網絡的核心思想是通過多層卷積操作，逐步聚合來自鄰居節點的情感信息，從而增強模型對節點間關系的理解；給定一個圖G，圖卷積操作通過如下公式進行：
4.根據權利要求1所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述多通道圖卷積網絡模塊三通道并行卷積結構，每個通道對應一個情感圖，并獨立執行圖卷積操作，在每個通道中，模型通過多層卷積逐步聚合情感信息。
5.根據權利要求4所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述每個通道模型通過多層卷積逐步聚合情感信息，具體過程為：正面情感通道負責處理正面情感圖Gpos；在該通道中，模型通過圖卷積操作聚合正面情感相關的節點和邊權重，逐步更新節點表示；卷積操作的最終輸出是一個包含正面情感信息的節點表示矩陣C′pos該矩陣為后續情感三元組的正面情感部分提供了基礎；負面情感通道的操作與正面情感通道類似，但它處理的是負面情感圖Gneg；通過圖卷積，模型聚合負面情感相關的節點信息，生成一個包含負面情感信息的節點表示矩陣C'neg；中性情感通道處理中性情感圖Gneu，該通道通過聚合中性情感的節點信息，生成中性情感節點表示矩陣C'neu；
...
【技術特征摘要】
1.一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述方法包括以下構成：
2.根據權利要求1所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述特征輸出模塊注意力得分矩陣的每一行對應一個模板槽位的嵌入，列則對應輸入句子中的每個單詞；
3.根據權利要求1所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述多通道圖卷積網絡模塊的圖卷積網絡(gcn)是一種常用于圖結構數據的神經網絡，它通過聚合每個節點與其鄰居節點的信息來更新節點的表示；在該模塊中，圖卷積網絡的核心思想是通過多層卷積操作，逐步聚合來自鄰居節點的情感信息，從而增強模型對節點間關系的理解；給定一個圖g，圖卷積操作通過如下公式進行：
4.根據權利要求1所述的一種基于多通道圖卷積網絡的方面情感三元組抽取方法，其特征在于，所述多通道圖卷...
【專利技術屬性】
技術研發人員：王軍，撖昊展，
申請(專利權)人：沈陽化工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。