基于特定词的情感识别方法、装置、电子设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种基于特定词的情感识别方法、装置、电子设备及存储介质。


背景技术：

2.在自然语言处理领域，情感识别一直是非常重要的任务之一。文本的情感识别是对带有情感色彩的主观性文本进行分析和处理，从而获取用户在文字中所包含的情感倾向，如积极、消极或中性等。在金融科技领域中，业务人员与客户之间的交易对话则会包含不同的情感倾向，而识别出交易对话中的情感倾向对金融业务交易的成功与否具有关键作用。因为一个文本句子中可能含有多个不同的特定词语，每个词的情感极性可能不同，进而影响文本句子的情感识别，因此需要准确识别出特定词的情感类型。
3.现有的特定词的情感识别方法通常是根据长短期记忆模型等神经网络模型提取出句子中每个词语的特征，然后根据每个词语的特征和特定词的特征之间的词性相关性来进行情感识别，这种方法没有结合更多的句子信息，因此导致情感识别的准确度不够高。因此，亟待提出一种准确度更高的情感识别方法。


技术实现要素：

4.本发明提供一种基于特定词的情感识别方法、装置、电子设备及存储介质，其主要目的在于提高情感识别的准确度。
5.为实现上述目的，本发明提供的一种基于特定词的情感识别方法，包括：
6.获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征；
7.提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征；
8.根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵；
9.分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征；
10.将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
11.可选地，所述基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征，包括：
12.对所述隐层表示特征中剔除所述特定词表征的多个词语表征进行拼接，得到剩余表征特征；
13.根据所述注意力机制中的注意力分数计算公式和所述剩余表征特征计算所述特定词表征对应的注意力分数，将所述注意力分数作为权重计算结果；
14.根据所述权重计算结果对所述特定词表征进行池化操作，得到句子表示特征。
15.可选地，所述根据预获取的先验句法信息构建对应的邻接矩阵，包括：
16.识别所述先验句法信息中的多个信息实体及多个所述信息实体之间的实体关系；
17.将所述实体关系存储在预设二维数组中，得到邻接矩阵。
18.可选地，所述将所述邻接矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量，包括：
19.获取预设的卷积核，利用变换公式对所述邻接矩阵与所述卷积核做傅里叶变换后相乘，得到特征矩阵；
20.对所述特征矩阵做傅里叶反变换处理，得到邻接信息向量。
21.可选地，所述变换公式为：
22.g*x＝u(u
tg·ut
x)
23.其中，g为所述卷积核，x为所述邻接矩阵，u为傅里叶变换的正交矩阵，u
t
表示所述正交矩阵的转置。
24.可选地，所述对所述隐层表示特征进行线性变换，得到隐藏信息矩阵，包括：
25.识别所述邻接矩阵的矩阵大小，并利用线性层将所述隐层表示特征转换为与所述邻接矩阵的矩阵大小一致的矩阵，得到隐藏信息矩阵。
26.可选地，所述提取所述隐层表示特征中的特定词表征，包括：
27.对所述待识别情感文本进行文本分词，得到多个待识别分词；
28.识别多个所述待识别分词中的特定词，并将所述特定词在所述隐层表示特征中对应的表示特征作为特定词表征。
29.为了解决上述问题，本发明还提供一种基于特定词的情感识别装置，所述装置包括：
30.特征提取模块，用于获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征；
31.权重计算模块，用于提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征；
32.线性变换模块，用于根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵；
33.情感分析模块，用于分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征，将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概
率和预设情感参考库进行情感分析，得到情感识别结果。
34.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
35.至少一个处理器；以及，
36.与所述至少一个处理器通信连接的存储器；其中，
37.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于特定词的情感识别方法。
38.为了解决上述问题，本发明还提供一种存储介质，所述存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于特定词的情感识别方法。
39.本发明实施例中，通过提取出待识别情感文本对应的隐层表示特征，基于注意力机制对所述特定词表征进行权重计算，根据权重计算结果生成句子表示特征，利用图卷积网络得到先验句法特征，缓解了先验句法信息的影响，将所述隐层表示特征、所述句子表示特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，特征融合后的结果更加准确，涉及的维度也更多，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。因此本发明提出的基于特定词的情感识别方法、装置、电子设备及存储介质，可以解决提高情感识别的准确度低的问题。
附图说明
40.图1为本发明一实施例提供的基于特定词的情感识别方法的流程示意图；
41.图2为图1中其中一个步骤的详细实施流程示意图；
42.图3为本发明一实施例提供的基于特定词的情感识别装置的功能模块图；
43.图4为本发明一实施例提供的实现所述基于特定词的情感识别方法的电子设备的结构示意图。
44.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
45.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.本技术实施例提供一种基于特定词的情感识别方法。所述基于特定词的情感识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于特定词的情感识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
47.参照图1所示，为本发明一实施例提供的基于特定词的情感识别方法的流程示意图。在本实施例中，所述基于特定词的情感识别方法包括以下步骤s1-s4：
48.s1、获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并
提取所述预设双层表征模型中的隐层表示特征。
49.本发明实施例中，所述待识别情感文本是需要进行情感识别的句子文本，所述双层表征模型(bidirectionalencoder representations from transformer，bert)是一个预训练的语言表征模型，它强调了不再像以往一样采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练。其中，所述双层表征模型由多层编码网络组成，每层的隐藏状态都有尺寸和注意力头，而所述预设双层表征模型中的隐层表示特征即为所述待识别情感文本经过所述双层表征模型中的多层结构并由最后一层网络输出的隐藏状态。
50.其中，所述隐层表示特征用h表示。
51.例如，在金融科技领域中，所述待识别情感文本为进行金融交易业务时客户与业务人员进行交谈中需要进行情感识别的句子文本。可以为客户的发言即“我很开心，就买你推荐的这个产品a了。”52.s2、提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征。
53.本发明实施例中，由于所述待识别情感文本是一个句子文本，而一个句子文本中可能包含有多个不同的特定词，特定词是指其他词取代不了的，多数是指专有名词和词组，只有在特定情况和语言范围内才可以使用。由于不同特定词的情感极性可能不同，因此需要提取出所述隐层表示特征中的特定词表征进行后续数据处理。
54.具体地，所述提取所述隐层表示特征中的特定词表征，包括：
55.对所述待识别情感文本进行文本分词，得到多个待识别分词；
56.识别多个所述待识别分词中的特定词，并将所述特定词在所述隐层表示特征中对应的表示特征作为特定词表征。
57.详细地，根据文本分词器对所述待识别情感文本进行文本分词，得到多个待识别分词，其中，多个待识别分词可以为语气助词、无意义词、组合词等，识别出多个所述待识别分词中的特定词，将所述特定词在所述隐层表示特征中对应的表示特征作为特定词表征。
58.例如，所述特定词表征为hi，除去所述特定词以外其他的待识别分词对应的词语表征为h1，h2…hi-1
，h
i+1
…
，hn。
59.进一步地，参照图2所示，所述基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征，包括以下步骤s21-s23：
60.s21、对所述隐层表示特征中剔除所述特定词表征的多个词语表征进行拼接，得到剩余表征特征；
61.s22、根据所述注意力机制中的注意力分数计算公式和所述剩余表征特征计算所述特定词表征对应的注意力分数，将所述注意力分数作为权重计算结果；
62.s23、根据所述权重计算结果对所述特定词表征进行池化操作，得到句子表示特征。
63.详细地，剔除所述特定词表征的多个词语表征为h1，h2…hi-1
，h
i+1
…
，hn，对所述隐层表示特征中剔除所述特定词表征的多个词语表征进行拼接，得到剩余表征特征为ho＝(h1，h2…hi-1
，h
i+1
…
，hn)。所述池化操作为最大池化操作。
64.优选地，所述注意力机制(attention mechanism)可以使得神经网络具备专注于
其输入子集的能力，注意力可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。在本方案中，使用注意力机制通过计算特定词与上下文词语权重关系，自动更新优化权重。
65.具体地，所述注意力分数计算公式为：
66.s＝softmax(hi×ho
)
×ho
67.其中，s为所述注意力分数，hi为所述特定词表征，ho为所述剩余表征特征，i表示所述特定词表征的表征参数，o表示所述剩余表征特征的表征参数。
68.s3、根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵。
69.本发明实施例中，所述先验句法信息是指待识别情感文本的句子的语法信息。
70.具体地，所述根据预获取的先验句法信息构建对应的邻接矩阵，包括：
71.识别所述先验句法信息中的多个信息实体及多个所述信息实体之间的实体关系；
72.将所述实体关系存储在预设二维数组中，得到邻接矩阵。
73.详细地，用一个二维数组存放实体关系对应的的数据，这个二维数组称为邻接矩阵。其中，邻接矩阵又分为有向图邻接矩阵和无向图邻接矩阵，本方案中的邻接矩阵为无向邻接矩阵。
74.进一步地，所述对所述隐层表示特征进行线性变换，得到隐藏信息矩阵，包括：
75.识别所述邻接矩阵的矩阵大小，并利用线性层将所述隐层表示特征转换为与所述邻接矩阵的矩阵大小一致的矩阵，得到隐藏信息矩阵。
76.其中，由于后续需要对所述隐藏信息矩阵和邻接矩阵进行融合处理，因此需要将对所述隐层表示特征进行线性变换，得到隐藏信息矩阵，提高融合的准确度和效率。
77.s4、分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征。
78.本发明实施例中，所述图卷积网络可以进一步提取融合句法信息的特征。其中，通过图卷积神经网络实现图卷积融合处理，所述图卷积神经网络是一个对图数据进行操作的神经网络架构。
79.具体地，所述将所述邻接矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量，包括：
80.获取预设的卷积核，利用变换公式对所述邻接矩阵与所述卷积核做傅里叶变换后相乘，得到特征矩阵；
81.对所述特征矩阵做傅里叶反变换处理，得到邻接信息向量。
82.详细地，所述卷积核即为filter函数。
83.具体地，所述变换公式为：
84.g*x＝u(u
tg·ut
x)
85.其中，g为所述卷积核，x为所述邻接矩阵，u为傅里叶变换的正交矩阵，u
t
表示所述正交矩阵的转置。
86.进一步地，将所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到隐层信息向量的方法与将所述邻接矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量的方法一致，此处不再赘述。
87.具体地，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征。
88.s5、将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
89.本发明实施例中，将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，得到特征融合的结果，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，其中，所述线性层中包含激活函数，可以为softmax函数或者sigmoid函数，根据激活函数得到融合概率，由于所述预设情感参考库中包含不同的概率值及所述概率值对应的情感类型，因此可以根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
90.详细地，所述情感识别结果包括对待识别情感文本的不同评价，例如负面评价，中性评价或者积极评价。
91.本发明实施例中，通过提取出待识别情感文本对应的隐层表示特征，基于注意力机制对所述特定词表征进行权重计算，根据权重计算结果生成句子表示特征，利用图卷积网络得到先验句法特征，缓解了先验句法信息的影响，将所述隐层表示特征、所述句子表示特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，特征融合后的结果更加准确，涉及的维度也更多，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。因此本发明提出的基于特定词的情感识别方法可以解决提高情感识别的准确度低的问题。
92.如图3所示，是本发明一实施例提供的基于特定词的情感识别装置的功能模块图。
93.本发明所述基于特定词的情感识别装置100可以安装于电子设备中。根据实现的功能，所述基于特定词的情感识别装置100可以包括特征提取模块101、权重计算模块102、线性变换模块103及情感分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
94.在本实施例中，关于各模块/单元的功能如下：
95.所述特征提取模块101，用于获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征；
96.所述权重计算模块102，用于提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征；
97.所述线性变换模块103，用于根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵；
98.所述情感分析模块104，用于分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征，得到先验句法特征，将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
99.详细地，所述基于特定词的情感识别装置100各模块的具体实施方式如下：
100.步骤一、获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征。
101.本发明实施例中，所述待识别情感文本是需要进行情感识别的句子文本，所述双层表征模型是一个预训练的语言表征模型，它强调了不再像以往一样采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练。其中，所述双层表征模型由多层编码网络组成，每层的隐藏状态都有尺寸和注意力头，而所述预设双层表征模型中的隐层表示特征即为所述待识别情感文本经过所述双层表征模型中的多层结构并由最后一层网络输出的隐藏状态。
102.其中，所述隐层表示特征用h表示。
103.例如，在金融科技领域中，所述待识别情感文本为进行金融交易业务时客户与业务人员进行交谈中需要进行情感识别的句子文本。可以为客户的发言即“我很开心，就买你推荐的这个产品a了。”104.步骤二、提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征。
105.本发明实施例中，由于所述待识别情感文本是一个句子文本，而一个句子文本中可能包含有多个不同的特定词，特定词是指其他词取代不了的，多数是指专有名词和词组，只有在特定情况和语言范围内才可以使用。由于不同特定词的情感极性可能不同，因此需要提取出所述隐层表示特征中的特定词表征进行后续数据处理。
106.具体地，所述提取所述隐层表示特征中的特定词表征，包括：
107.对所述待识别情感文本进行文本分词，得到多个待识别分词；
108.识别多个所述待识别分词中的特定词，并将所述特定词在所述隐层表示特征中对应的表示特征作为特定词表征。
109.详细地，根据文本分词器对所述待识别情感文本进行文本分词，得到多个待识别分词，其中，多个待识别分词可以为语气助词、无意义词、组合词等，识别出多个所述待识别分词中的特定词，将所述特定词在所述隐层表示特征中对应的表示特征作为特定词表征。
110.例如，所述特定词表征为hi，除去所述特定词以外其他的待识别分词对应的词语表征为h1，h2…hi-1
，h
i+1
…
，hn。
111.进一步地，所述基于注意力机制对所述特定词表征进行权重计算，根据权重计算结果生成句子表示特征，包括：
112.对所述隐层表示特征中剔除所述特定词表征的多个词语表征进行拼接，得到剩余表征特征；
113.根据所述注意力机制中的注意力分数计算公式和所述剩余表征特征计算所述特定词表征对应的注意力分数，将所述注意力分数作为权重计算结果；
114.根据所述权重计算结果对所述特定词表征进行池化操作，得到句子表示特征。
115.详细地，剔除所述特定词表征的多个词语表征为h1，h2…hi-1
，h
i+1
…
，hn，对所述隐层表示特征中剔除所述特定词表征的多个词语表征进行拼接，得到剩余表征特征为ho＝(h1，h2…hi-1
，h
i+1
…
，hn)。所述池化操作为最大池化操作。
116.优选地，所述注意力机制可以使得神经网络具备专注于其输入子集的能力，注意力可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。在本方案中，使用注意力机制通过计算特定词与上下文词语权重关系，自动更新优化权重。
117.具体地，所述注意力分数计算公式为：
118.s＝softmax(hi×ho
)
×ho
119.其中，s为所述注意力分数，hi为所述特定词表征，ho为所述剩余表征特征，i表示所述特定词表征的表征参数，o表示所述剩余表征特征的表征参数。
120.步骤三、根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵。
121.本发明实施例中，所述先验句法信息是指待识别情感文本的句子的语法信息。
122.具体地，所述根据预获取的先验句法信息构建对应的邻接矩阵，包括：
123.识别所述先验句法信息中的多个信息实体及多个所述信息实体之间的实体关系；
124.将所述实体关系存储在预设二维数组中，得到邻接矩阵。
125.详细地，用一个二维数组存放实体关系对应的的数据，这个二维数组称为邻接矩阵。其中，邻接矩阵又分为有向图邻接矩阵和无向图邻接矩阵，本方案中的邻接矩阵为无向邻接矩阵。
126.进一步地，所述对所述隐层表示特征进行线性变换，得到隐藏信息矩阵，包括：
127.识别所述邻接矩阵的矩阵大小，并利用线性层将所述隐层表示特征转换为与所述邻接矩阵的矩阵大小一致的矩阵，得到隐藏信息矩阵。
128.其中，由于后续需要对所述隐藏信息矩阵和邻接矩阵进行融合处理，因此需要将对所述隐层表示特征进行线性变换，得到隐藏信息矩阵，提高融合的准确度和效率。
129.步骤四、分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征。
130.本发明实施例中，所述图卷积网络可以进一步提取融合句法信息的特征。其中，通过图卷积神经网络实现图卷积融合处理，所述图卷积神经网络是一个对图数据进行操作的神经网络架构。
131.具体地，所述将所述邻接矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量，包括：
132.获取预设的卷积核，利用变换公式对所述邻接矩阵与所述卷积核做傅里叶变换后相乘，得到特征矩阵；
133.对所述特征矩阵做傅里叶反变换处理，得到邻接信息向量。
134.详细地，所述卷积核即为filter函数。
135.具体地，所述变换公式为：
136.g*x＝u(u
tg·ut
x)
137.其中，g为所述卷积核，x为所述邻接矩阵，u为傅里叶变换的正交矩阵，u
t
表示所述正交矩阵的转置。
138.进一步地，将所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到隐层信息向量的方法与将所述邻接矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量的方法一致，此处不再赘述。
139.具体地，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征。
140.步骤五、将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
141.本发明实施例中，将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，得到特征融合的结果，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，其中，所述线性层中包含激活函数，可以为softmax函数或者sigmoid函数，根据激活函数得到融合概率，由于所述预设情感参考库中包含不同的概率值及所述概率值对应的情感类型，因此可以根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
142.详细地，所述情感识别结果包括对待识别情感文本的不同评价，例如负面评价，中性评价或者积极评价。
143.本发明实施例中，通过提取出待识别情感文本对应的隐层表示特征，基于注意力机制对所述特定词表征进行权重计算，根据权重计算结果生成句子表示特征，利用图卷积网络得到先验句法特征，缓解了先验句法信息的影响，将所述隐层表示特征、所述句子表示特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，特征融合后的结果更加准确，涉及的维度也更多，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。因此本发明提出的基于特定词的情感识别装置可以解决提高情感识别的准确度低的问题。
144.如图4所示，是本发明一实施例提供的实现基于特定词的情感识别方法的电子设备的结构示意图。
145.所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于特定词的情感识别程序。
146.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形
处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于特定词的情感识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
147.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于特定词的情感识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
148.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
149.所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
150.图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
151.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
152.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
153.所述电子设备1中的所述存储器11存储的基于特定词的情感识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：
154.获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征；
155.提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征；
156.根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵；
157.分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征；
158.将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
159.具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
160.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
161.本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
162.获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征；
163.提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征；
164.根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵；
165.分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征；
166.将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。
167.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
168.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
169.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
170.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
171.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
172.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
173.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
174.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
175.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于特定词的情感识别方法，其特征在于，所述方法包括：获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征；提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征；根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵；分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征；将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。2.如权利要求1所述的基于特定词的情感识别方法，其特征在于，所述基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征，包括：对所述隐层表示特征中剔除所述特定词表征的多个词语表征进行拼接，得到剩余表征特征；根据所述注意力机制中的注意力分数计算公式和所述剩余表征特征计算所述特定词表征对应的注意力分数，将所述注意力分数作为权重计算结果；根据所述权重计算结果对所述特定词表征进行池化操作，得到句子表示特征。3.如权利要求1所述的基于特定词的情感识别方法，其特征在于，所述根据预获取的先验句法信息构建对应的邻接矩阵，包括：识别所述先验句法信息中的多个信息实体及多个所述信息实体之间的实体关系；将所述实体关系存储在预设二维数组中，得到邻接矩阵。4.如权利要求1所述的基于特定词的情感识别方法，其特征在于，所述将所述邻接矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量，包括：获取预设的卷积核，利用变换公式对所述邻接矩阵与所述卷积核做傅里叶变换后相乘，得到特征矩阵；对所述特征矩阵做傅里叶反变换处理，得到邻接信息向量。5.如权利要求4所述的基于特定词的情感识别方法，其特征在于，所述变换公式为：g*x＝u(u
t
g
·
u
t
x)其中，g为所述卷积核，x为所述邻接矩阵，u为傅里叶变换的正交矩阵，u
t
表示所述正交矩阵的转置。6.如权利要求1所述的基于特定词的情感识别方法，其特征在于，所述对所述隐层表示特征进行线性变换，得到隐藏信息矩阵，包括：识别所述邻接矩阵的矩阵大小，并利用线性层将所述隐层表示特征转换为与所述邻接
矩阵的矩阵大小一致的矩阵，得到隐藏信息矩阵。7.如权利要求1所述的基于特定词的情感识别方法，其特征在于，所述提取所述隐层表示特征中的特定词表征，包括：对所述待识别情感文本进行文本分词，得到多个待识别分词；识别多个所述待识别分词中的特定词，并将所述特定词在所述隐层表示特征中对应的表示特征作为特定词表征。8.一种基于特定词的情感识别装置，其特征在于，所述装置包括：特征提取模块，用于获取待识别情感文本，将所述待识别情感文本输入至预设双层表征模型中并提取所述预设双层表征模型中的隐层表示特征；权重计算模块，用于提取所述隐层表示特征中的特定词表征，并基于注意力机制对所述特定词表征进行权重计算，得到权重计算结果，根据所述权重计算结果生成句子表示特征；线性变换模块，用于根据预获取的先验句法信息构建对应的邻接矩阵，并对所述隐层表示特征进行线性变换，得到隐藏信息矩阵；情感分析模块，用于分别将所述邻接矩阵和所述隐层信息矩阵输入至预设的图卷积网络中进行信息卷积处理，得到邻接信息向量和隐层信息向量，对所述邻接信息向量和所述隐层信息向量进行初始拼接处理，得到初始拼接特征，将所述初始拼接特征与所述先验句法信息进行再次拼接处理，得到先验句法特征，将所述隐层表示特征和所述句子表示特征进行初次融合，得到初始融合特征，对所述初始融合特征和所述先验句法特征进行特征融合，并将特征融合后的结果输入至线性层中进行概率计算，得到融合概率，根据融合概率和预设情感参考库进行情感分析，得到情感识别结果。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于特定词的情感识别方法。10.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于特定词的情感识别方法。

技术总结
本发明涉及金融科技领域的人工智能，揭露一种基于特定词的情感识别方法，包括：对待识别情感文本的特定词表征进行权重计算，根据权重计算的结果生成句子表示特征；分别对邻接矩阵和隐层信息矩阵进行信息卷积，得到邻接信息向量和隐层信息向量，将邻接信息向量、隐层信息向量与先验句法信息拼接得到先验句法特征；将隐层表示特征、句子表示特征和先验句法特征进行融合，对融合后的结果进行概率计算，得到融合概率并进行情感分析，得到情感识别结果。此外，本发明还涉及区块链技术，特定词表征可存储于区块链的节点。本发明还提出一种基于特定词的情感识别装置、电子设备以及存储介质。本发明可以提高金融领域情感识别的准确度。本发明可以提高金融领域情感识别的准确度。本发明可以提高金融领域情感识别的准确度。


技术研发人员：刘羲 周涵 舒畅 陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.04.13
技术公布日：2023/7/21