专利交易市场

本发明涉及一种针对同义词替换攻击的防御方法，包括将新闻文本嵌入向量表示得到新闻文本的句子向量序列；提取新闻文本中每个句子的关键词生成候选关键词集；将每个候选关键词的词向量和glove训练词向量进行余弦相似度计算得到候选关键词的同义词；对候选关键词的同义词进行语法检查；将与关键词候选关键词词性相同的同义词作为最终候选词，用最终候选词对新闻文本中相应的关键词进行替换得到第二新闻文本；将第二新闻文本嵌入向量表示得到第一新闻文本向量；将新闻文本的句子向量序列输入LSTM计算得到第二新闻文本向量；将与第二新闻文本向量的余弦相似度超过设定阈值的第一新闻文本向量映射为文本并作为新闻文本的对抗样本。

本发明具体涉及基于增强语义句法信息的方面级情感分类方法，包括：获取待测文本并输入经过预先训练的情感分类模型中，输出对应的分类预测结果；情感分类模型首先通过BERT预训练模型调整待测文本的词向量表示生成初级上下文表示；然后通过图注意力层提取上下文句法信息生成次级上下文表示；进一步更新词向量生成初级词嵌入表示和次级词嵌入表示，并平均池化生成粗粒度表示；再将初级上下文表示和次级上下文表示中的方面词最大池化作为细粒度表示；进而融合粗粒度表示以及细粒度表示中相同的粒度信息生成多粒度融合信息；最后通过分类器基于多粒度融合信息进行情感分类，得到分类预测结果。本发明能够有效克服噪音影响并能够增强语义句法信息。

本发明公开了一种用于文本情感分类的方法，属于深度学习和自然语言处理技术领域。其结合深度学习和宽度学习的优点，通过建立LSTM‑BLS模型、设置超参数、与其他文本情感分类方法比较，显示了本发明模型在文本情感分析方面具有良好的性能，可以更加准确地对正负向文本进行分类，且保持了文本语义的完整性，提高了文本情感分类的准确率。