增强语法规则信息的GCN情感分析模型.pdfVIP

学术研究

增强语法规则信息的GCN情感分析模型

尹明鹤王硕罗磐石

摘要：情感分析作为自然语言处理领域的一个重要分支，在舆情监管和内容推荐等领域得到广泛应用，成为当

前研究的热点。提出增强语法规则信息的GCN情绪分析模型。首先，使用GloVe预训练模型与BiLSTM模型提取文本

的语义特征，并采用SpaCy工具对文本进行句法依存分析，从而提取文本的语法规则。其次，建立GCN模型，进

而将语法规则信息与语义信息进行融合。最后，通过全连接层和Softmax分类器进行情绪分类。实验结果表明，

该方法与相关模型相比，在三个公开数据集上的准确率和宏F1值分别得到了提升，具有较好的情感分类性能。

关键词：情绪分析；语法规则；图卷积神经网络；方向机制；注意力机制

一、前言句子的上下文信息和词语的语法权重。Xu[4I提出注意增

当前，社交媒体迅猛发展，人们更愿意通过网络平强图卷积网络，该模型使用多头注意机制并行捕获上下

台分享他们对事物的看法。因此，在处理网络评论信息文语义信息，使用GCN网络捕获语法信息，并利用多

时，分析人们在文本中表达的情绪、观点和态度变得至头交互注意机制实现语法信息和语义信息的交互。

关重要。随着人工智能技术的飞速发展，文本情绪分类针对现有研究中语法规则信息与语义信息交互不完

的应用范围也在不断扩展，涉及舆情监管、电子商务用全的问题，本文结合语法规则和神经网络模型，提出一

户体验调查、人机对话系统中的意图识别等多个领域。个增强语法规则信息的GCN情感分析模型并进行对比

这些应用场景都需要对大量的文本数据进行高效、准确实验，以此验证所提方法的有效性。主要工作如下：第

的情绪分析，从而为决策提供有力的支持。一，在建立GCN模型时，引人方向机制，将句法图邻

情绪分析是自然语言处理领域的一个重要研究方接矩阵划分为分别代表一个词语左边、右边和自己三种

向，其将文本进行转换并自动分类到指定的情绪类别。不同的位置关系的子矩阵并分别建模，从而深层次挖掘

随着深度学习的兴起，长短期记忆网络在短文本情感分文本的语法规则信息。第二，在信息增强单元，引人注

析任务中得到广泛应用，但标准的LSTM模型并不能关意力机制，对GCN模型的节点与节点之间的关系进行

注到在情感分类中起重要作用的部分。随着研究深入，处理，将文本语义信息和不同方向的语法规则信息进行

研究者们发现基于深度学习的方法虽然有效地弥补了前整合，进而提高情绪分类的准确性。

两种方法的不足，但忽略了语法规则对情感分类的影响，

导致模型不能充分学习到文本特征。为了解决这一问题，二、相关工作

研究者们引人注意力机制进行情感分析。虽然基于注意（一）句法依存树

力的模型取得了一定的效果，但不足以获取词语之间的句法依存树是用来表示句子中单词之间语法结构信

语法关系。息的一种树状结构。它是一种常用的句法分析方法，旨

由于图卷积网络在处理非结构化数据时存在一定的在描述语言中词汇之间的依存关系和语法结构，利用

优势，学者们将其应用于短文本情感分析任务中。王汝spaCy工具包解析出评论对应的依存关系，并根据句子

言[2]在前人的基础上进行改进，将GCN网络的掩码输中的依存关系绘制该句子对应的句法依存树。

出分别与句子的隐藏特征表示和GCN层的输出进行交（二）图卷积神经网络

互，获得语义交互信息和语法交互信息。巫浩盛[3]构建