本发明属于自然语言处理，更具体地，涉及一种样本感知linex深度记忆网络的方面级情感分析方法及装置。
背景技术：
0、技术背景
1、在数字化时代，大量的文本数据产生了，这对企业、政府和个人等各方都具有重要价值，因为这些数据可以用来了解消费者需求、制定公共政策以及做出明智决策。因此，情感分析，特别是基于方面的情感分析成为了数据分析领域的一个研究热点。不仅可以识别文本的整体情感极性，还能准确地识别出文本中提到的具体方面，从而提供更详细、更具体的情感分析。
2、随着深度学习技术的出现，出现了许多基于深度学习的方法。尽管这些方法取得了许多进步，但是目前方面级情感分析方法在很大程度上忽视了两个基本挑战。首先，某些句子具有特殊的结构，这给准确预测其情感极性带来了挑战。例如，在 “与传统快餐店相比，新寿司店提供了多种新鲜健康的选择” 这句话中，“比较” 和 “新鲜健康的选择” 并置会让人产生对 “传统快餐店” 的负面情绪。其次，方面级情感分析框架通常将情感分为积极、消极和中性三类，这些类别之间的分布是不同的。一些数据集可能包含更多积极情绪的实例，而其他数据集可能包含更多消极或中性的实例。在传统的训练方法中，这种不平衡可能会导致将少数样本错误地分类为多数样本，从而产生不利后果。因此，这些挑战在方面级情感分析中持续存在，需要更多的关注和审查。
技术实现思路
1、为了解决上述技术问题，本发明结合基于深度学习算法，提供了一种样本感知linex深度记忆网络的方面级情感分析方法及装置，旨在识别文本中各个方面的情感倾向。
2、本发明的方法所采用的技术方案是：
3、第一方面，本发明提供一种样本感知linex深度记忆网络的方面级情感分析方法，包括以下步骤：
4、获取待分析的文本；
5、将所述待分析的文本输入预训练的方面级情感分析模型中，得到情感分类结果；
6、所述方面级情感分析模型包括输入模块、上下文编码模块、深度记忆网络模块和情感分类模块；
7、所述输入模块用于将待分析的文本转换为词向量表示；
8、所述上下文编码模块用于将所述词向量表示编码为上下文信息；
9、所述深度记忆网络模块用于通过多次迭代和注意力机制对所述上下文信息进行过滤和处理，得到更精细的上下文信息；
10、所述情感分类模块用于基于所述更精细的上下文信息进行分类，以预测文本中各个方面的情感倾向，得到情感分类结果。
11、进一步的，所述方面级情感分析模型的训练方法包括：
12、获取训练集；
13、基于所述训练集，采用样本感知的linex损失函数salinex来计算方面级情感分析模型的损失，对所述方面级情感分析模型进行训练，得到训练好的方面级情感分析模型；
14、所述样本感知的linex损失函数salinex为：
15、；
16、；
17、；
18、其中，
