(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 202210633972.9 (22)申请日 2022.06.07 (71)申请人 昆明理工大 学 地址 650500 云南省昆明市呈贡区景明南 路727号 (72)发明人 相艳　柳如熙　陆婷　郭军军　 (74)专利代理 机构 昆明隆合知识产权代理事务 所(普通合伙) 53220 专利代理师 何娇 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/211(2020.01) G06F 40/253(2020.01) G06N 3/04(2006.01) (54)发明名称 融合词性信息的方面级情感三元组抽取方 法 (57)摘要 本发明涉及融合词性信息的方面级情感三 元组抽取方法， 属情感分析领域。 本发明在模型 输入阶段融合词性信息， 加深模 型对数据自身语 义的理解； 然后以多任务学习的方式高效地完成 方面级情感三元组抽取任务， 其中， 使用两个标 注器来完成方面词和观点词的抽取， 使用 biaffine情感依赖解析器来充分学习方面词和 观点词之间的交互信息， 以判别方面词对应的情 感极性； 最后对三元组进行解码操作得到三元组 的跨度表示。 在SemEval公开的四个基准数据集 上进行了实验， 实验结果表明了本发 明在方面级 情感三元组抽取任务中的性能优于其余基线模 型， 从而验证了本发明融合词性信息的做法确实 有助于交 互建模， 最终得以提升模型的性能。 权利要求书2页 说明书12页 附图3页 CN 115048936 A 2022.09.13 CN 115048936 A 1.融合词性信息的方面级情感三元组抽取方法， 其特征在于： 所述融合词性信息的方 面级情感三元组抽取 方法的具体步骤如下： Step1、 基于文本的词向量表示及其对应的词性向量表示， 将二 者融合； Step2、 获得含有词性信息的融合特 征表示； Step3、 将融合特征表示输入多任务学习网络预测三元组， 即以词性信息为引导， 并行 完成方面词抽取、 观点词抽取、 情感极性 解析； Step4、 三元组解码， 根据启发式规则生成三元组跨度表示。 2.根据权利要求1所述的融合词性信 息的方面级情感三元组抽取方法， 其特征在于： 所 述Step1中， 使用预训练模型GloVe将输入句中的各个单词映射到一个低维向量空间， 获得 对应的词向量表示 其中d是词向量的维度； 对于输入序列 首先， 使用 NLTK词性标注器pos_tag为其中的每个单词标注词性标签， 然后， 给每个词性标签 分配一个 词性向量 d为词性向量的维度， 与词向量维度一致； 最后， 将每个单词的词性向量 与词向量 拼接得到融合特 征的向量表示fi。 3.根据权利要求1所述的融合词性信 息的方面级情感三元组抽取方法， 其特征在于： 所 述Step2中， 得到融合特征的向量表示fi之后， 使用Bi ‑LSTM网络来获取含有上下文信息的 表示 随后， 通过一个线性层和一次非线性变换， 实现降维的同时获取方面词和观点词的特 征表示； 在此， 未将隐藏层向量直接输入模型下一阶段的原因有两个： 其一， 隐藏层状态的 特征包含计算冗余信息， 有过拟合的风险； 其二， 该操作可剔除与方面词和观 点词无关的特 征。 4.根据权利要求1所述的融合词性信 息的方面级情感三元组抽取方法， 其特征在于： 所 述Step3中， 多任务学习网络架构包括两个部分： 方面词和观点词的抽取， 以及词级情感依 赖解析； 抽取方面词和观点词时， 网络模型采用{B,I,O}标记方案， 其中， B表示方面词或观 点词的起始 位置、 I表 示中间位置、 O表示其他； 将方面词和观点词的特征向量表示输入多任 务学习网络模型， 词级情感依赖解析过程中， 使用在句法依赖解析中具有较优的性能的 biaffine评分器来捕获每 个词对中两个词的交 互关系， 随后， 训练词级情感依赖解析器。 5.根据权利要求1所述的融合词性信 息的方面级情感三元组抽取方法， 其特征在于： 所 述Step4中， 使用启发式规则进行情感三元组解码， 以得到跨度表示的三元组； 具体将由 biaffine评分器产生的情感依赖 关系作为枢轴， 对方面词和观 点词标注器生 成的标签进 行 逆序遍历。 6.根据权利要求3所述的融合词性信 息的方面级情感三元组抽取方法， 其特征在于： 所 述Step2中， 通过一个线性层和一次非线性变换， 实现降维的同时获取方面词和观 点词的特 征表示的具体 计算过程如下： 其中， 分别为方面词和观点词的特征向量表示， dr为向量维度， 和 分别为可学习的权重和偏置， 此外， g( ·)是非线性函权　利　要　求　书 1/2 页 2 CN 115048936 A 2数ReLU(·)， 即max(·， 0)。 7.根据权利要求4所述的融合词性信 息的方面级情感三元组抽取方法， 其特征在于： 所 述Step3中， 将方面词和观点词的特征向量表示输入多任务学习网络模型， 模型预测句中每 个词为方面词的概 率分布如(3)式所示， 观点词概 率分布如(4)式所示。 其中， 为权重矩阵、 为偏置， 两者均为训练参数， 分别为方面词和观点词的特 征向量表示， dr为向量维度。权　利　要　求　书 2/2 页 3 CN 115048936 A 3