1.基于情感语义对抗的跨语言情感分类方法,其特征在于:所述方法的具体步骤如下:Step1、获取汉语和越南语的微博及推特评论,通过人工对数据集进行标注得到汉语疫情评论数据集以及没有标注的越南语疫情评论数据集;
Step2、将句子以及句子中情感词拼接,用卷积神经网络对拼接后的句子分别进行联合表征,分别获得单语语义空间下的情感语义表征;其次,通过对抗网络,在双语情感语义空间将带标签数据与无标记数据的情感语义表征进行对齐;最后将句子与情感词最显著的表征进行拼接,得到情感倾向性分析结果;
所述Step2包括如下:
Step2.1、句子中情感词的获取是跨语言情感分类任务的第一步,利用匹配算法对语料句子中的每个词和情感词典中的词进行匹配,将句子中的情感词拼接在句子后面;
X={x
X′={(x
Y={y
Y′={(y
其中,X表示源语言句子,Y表示目标语言句子,X′表示源语言句子与句子中情感词相拼接,xStep2.2、给定一个源语言句子输入X′={(xE
E
其中,E
Step2.3、将句子以及句子中情感词拼接,用卷积神经网络对拼接后的句子分别进行联合表征,分别获得单语语义空间下的情感语义表征,然后,通过对抗网络,在双语情感语义空间将带标签数据与无标记数据的情感语义表征进行对齐;具体包括如下内容:嵌入层的输出送给用于特征抽取的卷积层;在对句子进行特征提取的同时,也对句子中的情感词进行了特征提取;每个卷积层都有固定大小的滑动窗口,每次只处理窗口内的信息,窗口的大小定义为k,在卷积操作中有连续k个词向量获得新的特征值cc
其中,滤波器的权重矩阵定义为w∈R
抽取出来的特征C用式(8)表示为:
C=[c
其中,C∈R
同理,情感词抽取出的特征D用式(9)表示为:D=[d
Step2.4、根据对偶性原理最小化源语言和目标语言的联合隐藏特征之间的Wasserstein距离;再寻求Wasserstein距离的上确界;
具体包括:
考虑源语言S和目标语言T的联合隐藏特征的分布;
使用SADAN模型训练F使这两个分布尽可能接近,以获得更好的跨语言概括;根据对偶性原理最小化源语言联合隐藏特征其中上确界取所有1-Lipschitz函数g的集合;为了计算为使Q成为Lipschitz函数,Q的参数被限制在一个固定的范内;设Q用θStep2.5、再进行最大池化处理;最大值池化操作的实际作用就是,将某个滤波器提取到的最显著的特征进行保留;通过多个不同大小的滤波器生成的特征值经过全连接层的操作将特征进一步量化,从而抽取到更深层的语义特征v′,量化的过程用式(14)表示为:v′=w′.v+b (14)
其中,w′为全连接层训练的权重矩阵,b为偏置项;v′经过全连接层,获得了多个特征类别范围内的估计值,需要做归一化的处理,采用softmax分类函数决策出最大概率的类别,用式(15)表示为:p=softmax(v′) (15)其中,softmax为分类器,p表示句子最终情感特征所属的概率,判别出句子的情感类别。
2.根据权利要求1所述的基于情感语义对抗的跨语言情感分类方法,其特征在于:所述Step1的具体步骤为:Step1.1、采用基于Scrapy框架的爬虫从新浪微博和推特上爬取与疫情相关微博正文及评论;
Step1.2、对微博及推特正文及评论进行过滤筛选,过滤筛选的方式如下所示:(1)、去除文本内容中的多余符号、超链接和特殊字符;(2)、去除微博中相同的用户评论信息;
Step1.3、采用人工标注,获得疫情微博推特数据集:以一条微博评论为单位进行标注工作,将微博评论句中带有正向积极的情感,标注为1,带有程度副词修饰的加强正向积极情感的评论,标注为2,带有消极负向的情感,标注为-1,带有程度副词修饰的加强消极负向情感的评论,标注为-2,保持中立无情感倾向性的评论,标注为0。