(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210360819.3 (22)申请日 2022.04.07 (65)同一申请的已公布的文献号 申请公布号 CN 114547312 A (43)申请公布日 2022.05.27 (73)专利权人 华南师范大学 地址 510006 广东省广州市番禺区外环西 路378号华南师范大学物理与电信工 程学院 (72)发明人 卢国钧　薛云　余海波　蔡倩华　 (74)专利代理 机构 广州骏思知识产权代理有限 公司 44425 专利代理师 叶琼园 (51)Int.Cl. G06F 16/35(2019.01)G06F 16/36(2019.01) G06F 16/34(2019.01) G06N 3/04(2006.01) 审查员 谢宜瑾 (54)发明名称 基于常识知识图谱的情感分析方法、 装置以 及设备 (57)摘要 本发明涉及情感分析领域， 特别涉及一种基 于常识知识图谱的情感分析方法、 装置、 设备 以 及存储介质， 通过构建待测文本数据集的知 识图 谱子图， 获取与所述知 识图谱子图相关联的常识 特征向量， 结合获取到的情感特征向量， 更加全 面地对待测文本数据集进行情感分析， 提升了情 感分析的准确性以及效率。 权利要求书4页 说明书11页 附图5页 CN 114547312 B 2022.08.16 CN 114547312 B 1.一种基于常识知识图谱的情感分析 方法， 其特 征在于， 包括以下步骤： 获取待测文本数据集， 构建与所述待测文本数据集中若干个待测句子相关联的知识图 谱子图， 其中， 所述知识图谱子图包括链接实体， 以及与所述链接实体对应的摘要文本， 所 述待测句 子包括上文、 与所述链接实体相关联的属 性词以及下文， 所述知识图谱子图还包 括与所述待测句子相关联的各个链接实体彼此的连接关系， 所述链接实体包括头链接实体 以及尾链接实体； 根据所述连接关系以及预设的知识图谱嵌入模型， 构建与所述知识图谱子图相关联的 知识图谱关系矩阵； 根据所述头链接实体、 连接关系、 尾链接实体在所述知识图谱嵌入矩阵以及知识图谱 关系矩阵中的索引， 构建与所述知识图谱子图相关联的第一知识图谱集合组以及第二知识 图谱集合组， 所述第一知识图谱集 合组为： 式中， 为所述第一知识图谱集合组中的头链接实体在所述知识图谱嵌入矩阵 中的 索引序号， 为所述第一知识图谱集合组中的连接关系在所述知识图谱关系矩阵 中的 索引序号， 为所述第一知识图谱集合组中的尾链接实体在所述知识图谱嵌入矩阵 中 的索引序号； 所述第二知识图谱集 合组为： 式中， 为所述第二知识图谱集合组中的头链接实体在所述知识图谱嵌入矩阵 中 的索引序号， 为所述第二知识图谱集合组中的连接关系在所述知识图谱关系矩阵 中 的索引序号， 为所述第二知识图谱集合组中的尾链接实体在所述知识图谱嵌入矩阵 中的索引序号； 采用梯度下降方法， 根据第一知识图谱集合组、 第二知识图谱集合组以及预设的损 失 函数， 对所述知识图谱嵌入矩阵、 知识图谱关系矩阵进 行更新， 获取更新后的知识图谱嵌入 矩阵， 其中， 所述知识图谱嵌入矩阵包括若干个链接实体嵌入向量， 所述损失函数为： 式中， 为所述损失函数， 为知识图谱嵌入目标函数； 根据所述知识图谱子图以及预设的训练语言模型， 获取与所述知识图谱子图中的摘要 文本相关联的摘要特 征向量矩阵， 其中， 所述摘要特 征向量矩阵包括若干个摘要特 征向量； 根据所述知识图谱嵌入矩阵、 摘要特征向量矩阵以及预设的图卷积神经网络模型， 对 所述知识图谱子图中的链接实体进行更新， 获取更新后的所述链接实体的表达特征向量， 作为常识特 征向量； 获取与所述待测文本数据集相关联的情 感特征向量， 将所述情感特征向量与常识特征 向量进行拼接， 作为情感分析特征向量， 根据所述情感分析特征向量以及预设的情感分析 算法， 获取 所述待测文本数据集的情感分析 结果。权　利　要　求　书 1/4 页 2 CN 114547312 B 22.根据权利要求1所述的基于常识知识图谱的情 感分析方法， 其特征在于， 所述构建与 所述待测文本数据集中若干个待测句子相关联的知识图谱子图， 包括 步骤： 根据所述待测句子 中的上文、 属性词、 下文以及预设的双向编码器， 获取与所述属性词 相关联的属性特 征向量； 根据所述属性特征向量以及预设的知识图谱 匹配池， 从所述知识图谱匹配池中获取与 所述待测句 子相关联 的链接实体， 以及与所述链接实体对应的摘要文本， 构建与所述待测 句子相关联的知识图谱子图。 3.根据权利要求1所述的基于常识知识图谱的情 感分析方法， 其特征在于， 所述根据 所 述知识图谱嵌入矩阵、 摘要特征向量矩阵以及预设的图卷积神经网络模型， 对所述知识图 谱子图中的链接实体进行更新， 获取更新后的所述链接实体的表达特征向量， 作为常识特 征向量之前， 包括 步骤： 根据所述知识图谱嵌入矩阵、 摘要特征向量矩阵以及预设的标准化算法， 获取标准化 处理后的知识图谱嵌入矩阵以及摘要特 征向量矩阵， 其中， 所述标准 化算法为： 式中， 为所述摘要特征向量矩阵， 为所述标准化处理后的摘要特征向量矩阵， 为所述知识图谱嵌入矩阵， 为所述标准化处理后的知识图谱嵌入矩阵， 为数学 期望函数， 为方差计算 函数， 为正数。 4.根据权利要求3所述的基于常识知识图谱的情 感分析方法， 其特征在于， 所述根据 所 述知识图谱嵌入矩阵、 摘要特征向量矩阵以及预设的图卷积神经网络模型， 对所述知识图 谱子图中的链接实体进行更新， 获取更新后的所述链接实体的表达特征向量， 作为常识特 征向量， 包括 步骤： 将所述标准化处理后的知识图谱嵌入矩阵以及摘要特征向量矩阵进行拼接， 作为输入 特征向量输入至所述图卷积神经网络模型； 构建目标邻接矩阵， 所述目标邻接矩阵包括若干个目标邻接向量； 根据所述输入特征 向量、 目标邻接矩阵 以及实体更新算法， 对所述知识图谱子图中的链接实体进 行更新， 获取 更新后的所述链接实体的表达特 征向量， 作为常识特 征向量， 其中， 所述实体更新 算法为： 式中， 为所述常识特征向量， 为所述目标邻接矩阵的行数， 为所述目标邻接 矩阵的目标邻接 向量， 为所述图卷积神经网络模型中第k层 网络的权重更新参数， 为 第j个链接实体在图卷积神经网络模型中第 k层的节点的输入特征 向量， 为所述第 j个链 接实体在图卷积神经网络模型中第 k层的节点的权 重更新偏置项。 5.根据权利要求1所述的基于常识知识图谱的情 感分析方法， 其特征在于， 所述根据 所权　利　要　求　书 2/4 页 3 CN 114547312 B 3