CN114528374B 一种基于图神经网络的电影评论情感分类方法及装置 （浙江工业大学）

一种基于图神经网络的电影评论情感分类本发明公开了一种基于图神经网络的电影和邻接矩阵输入到图卷积网络模块得到加权加加权特征矩阵和句法依存图的加权特征矩阵进2将文本词汇表中的单词作为节点，单词之间的共现关将文本词汇表中的单词作为节点，句法关系作为连边构建成文本的句法依将单词嵌入向量矩阵和文本共现图的邻接矩阵输入到文本共现图卷积网络将单词嵌入向量矩阵和句法依存图的邻接矩阵输入到句法依存图卷积网络采用混合池化模块对文本共现图的加权特征矩阵和句法依存图的加权特征矩阵进行采用自适应特征融合模块对文本共现图的特征向量和句法依存图的特征向量进行自将自适应融合后的融合特征输入到文本分类器模块，预测出电其中，所述将单词嵌入向量矩阵和文本共现图的邻接先将单词嵌入向量矩阵和文本共现图的邻接矩阵输然后使用注意力机制对文本共现图的特征矩阵H的每一个节点的嵌入向量进行加权，，MLP1所述将单词嵌入向量矩阵和句法依存图的邻接矩阵输入到句法依存图卷积网络模块，先将单词嵌入向量矩阵和和句法依存图的邻接矩阵输入句法依存图然后使用注意力机制对句法依存图的特征矩阵M的每一个节点的嵌入向量进行加权，，3采用混合池化模块对文本共现图的加权特征矩阵和句法依存图的加权特征矩阵进行池化采用自适应特征融合模块对文本共现图的特征向量和句法依存图的特征向量进行自适应G1表示文本共现图的特征向量，fG2表示句法依存图的G表示融合特征。5.一种基于图神经网络的电影评论情感分4卷积神经网络和循环神经网络应用于情感分类任务上，进而研究者提出了TextCNN，[0008]将文本词汇表中的单词作为节点，单词之间的共现关系作为连边构建文本共现[0009]将文本词汇表中的单词作为节点，句法关系作为连边构[0010]将单词嵌入向量矩阵和文本共现图的邻接矩阵输入到文[0011]将单词嵌入向量矩阵和句法依存图的邻接矩阵输入到句5[0012]采用混合池化模块对文本共现图的加权特征矩阵和句法依存图的加权特征矩阵[0013]采用自适应特征融合模块对文本共现图的特征向量和句法依存图的特征向量进[0016]先将单词嵌入向量矩阵和文本共现图的邻接矩阵输入到文本共现图卷积网络模[0019]然后使用注意力机制对文本共现图的特征矩阵H的每一个节点的嵌入向量进行加，[0026]然后使用注意力机制对句法依存图的特征矩阵M的每一个节点的嵌入向量进行加′i，6G表示融合特征。用开源的ChineseWordVector中文预训练单词嵌入向量表示词汇表中的每一个单词，进一步得到文本i的单词嵌入向量矩阵xi=7的嵌入向量矩阵可表示为X＝[X1,X2,…,XB]，B共现图邻接矩阵A和特征矩阵X输入文本共现图卷8[0060]然后使用注意力机制对电影评论文本共现图的特征矩阵H的每一个节点的嵌入向，表示双曲正切激活函数，sigmoid表示Sigmoid激活函数。多层感知机(MLP，Multilayer邻接矩阵C和特征矩阵X输入句法依存图卷[0067]使用注意力机制对电影评论文本句法依存图的特征矩阵M每一个节点的嵌入向量′i，[0071]本步骤利用混合池化模块对文本共现图的加权特征矩阵和句法依存图的加权特[0075]H′表示文本共现图的加权特征矩阵，M′表示句法依存图的加权特征矩阵，[0077]本步骤利用自适应特征融合模块对电影评论文本共现图和句法依存图特征向量G表示融合特征。9[0088]在一个实施例中，本申请还提供了一种基于图神经网络的电影评论情感分类装现所述基于图神经网络的电影评论情感分类[0089]关于基于图神经网络的电影评论情感分类装置的具体限定可以参见上文中对于于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机