(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 202210245787.2 (22)申请日 2022.03.14 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 饶国政　喻开智　 (74)专利代理 机构 天津市三利专利商标代理有 限公司 12107 专利代理师 韩新城 (51)Int.Cl. G06F 40/289(2020.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多上下文和多词段图卷积网络的特定 目标情感识别模型 (57)摘要 本发明公开基于多上下文和多词段图卷积 网络的特定目标情感识别方法， 步骤： 将目标句 子转化为向量输入到LS TM神经网络强化学习， 输 出句子向量； 对从全局协同图的得到的局部协同 图以及句子向量进行图卷积操作输出第一图卷 积输出结果； 对使用分词工具Spacy得到句子图 以及句子向量进行图卷积操作输出第二图卷积 输出结果； 利用门控机制把第一图卷积输出结果 与第二图卷积输出结果进行内积操作， 将协同图 信息转移到图表示上； 运用注 意力机制把门控机 制的输出结果中的目标词汇聚起来， 得到对目标 情感分类的目标信息。 本发明提出的基于多上下 文和多词段学习的方法， 可以自动识别情感信 息。 权利要求书2页 说明书6页 附图3页 CN 114722808 A 2022.07.08 CN 114722808 A 1.基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 基于特 定目标情感识别模型实现， 该模型的处 理步骤如下： 将目标句子转 化为向量输入到LSTM神经网络强化学习， 输出句子向量； 对从全局协同图的得到的局部协同图以及所述句子向量进行图卷积操作输出第一图 卷积输出 结果； 对使用分词工具Spacy得到句子图以及所述句子向量进行图卷积操作输出第二图卷积 输出结果； 利用门控机制把第 一图卷积输出结果与第 二图卷积输出结果进行矩阵的内积操作， 将 协同图信息转移到图表示上； 运用注意力 机制把门控机制的输出结果中的目标词汇聚起来， 得到对目标情感分类的 目标信息 。 2.根据权利要求1所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 所述全局协同图是一大型矩阵， 用于统计不同的两个词在多个句 子中的出现 频率； 局部协同图是一个小型矩阵， 每一个元 素取值来源于全局协同图。 3.根据权利要求2所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 全局协同图中在统计不同的两个词在多个句子中的出现频率时只考虑 包含更 多的情感 成分的开 放类词之间的关系。 4.根据权利要求2所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 所述全局协同图在进行句 子处理， 把词映射为对应的词性标签， 分为开放类、 封闭类和其 他三种类型， 开 放类包括形容词、 副词在内的情感词。 5.根据权利要求1所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 利用统计方法对所有词在多句 子上下文中出现的频率进行计算， 所有词之间 形成了全局协同图， 然后依据具体的句 子和特定目标， 只考虑特定目标与开放类词从全局 协同图中检索特定目标对应位置的权值， 利用获取得到的所述的权值， 把所述权值放入特 定目标的位置， 得到 了当前句子的局部协同图。 6.根据权利要求1所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， LSTM神经网络在强化学习时， 从左到右本发 明把句子看做成一个词段的集合， 智能体定义为词段动作选择层的 隐藏状态， 首先对状态评估， 再选择词段的动作， 所述动作 指选择某种情感； 采用策略梯度方法训练。 7.根据权利要求6所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 对于状态评估层， 选择一层LSTM神经网络， 输入是词向量和智能体的状态， 初 始化时， 随机初始 化智能体的状态， 状态评估层输出到动作选择层； 动作选择层 采用三层的 LSTM神经网络， 对于不同的动作采用不同的神经网络LSTM， 动作选择层对来自状态评估层 的输入计算概率最大 的动作， 获得一个批次的词的最有可能的情感选择， 选择这一批次中 频率最高的情感， 作为情感动作选择， 输入到对应的LSTM神经网络中， 输出智能体的状态； 把最后一时刻的智能体状态输出作为整个词组的表示， 通过一个softmax输出层把隐藏状 态映射到 输出概率分布上。 8.根据权利要求7所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 采用多任务学习的方法训练， 损失loss包括协同图模 型损失为loss_c、 注 意力权　利　要　求　书 1/2 页 2 CN 114722808 A 2模型损失为loss_a、 强化学习损失为loss_r， 据此对神经网络训练； lo ss＝loss_c+lo ss_a+ loss_r。 9.根据权利要求8所述基于多上下文和多词段图卷积网络的特定目标情感识别方法， 其特征在于， 利用交叉熵的方法计算损失r， 把损失r作为智能体的奖励； 再使用策略梯度进 行误差反传以及参数 更新。权　利　要　求　书 2/2 页 3 CN 114722808 A 3