买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江西师范大学

摘要：本发明公开了融合VAD知识的情感分布增强的细粒度情绪识别方法，包括，将细粒度文本情绪数据集内的样本输入至语义信息模块，输出文本语义信息表征向量；将样本输入至情感分布信息模块，得到样本的情感分布并输入融合预测模块中的情感知识编码层得到情感知识编码，将情感知识编码和文本语义信息表征向量拼接得到语义信息和情感分布信息融合序列；将语义信息和情感分布信息融合序列输入预测层进行情绪预测；本发明通过利用情感分布定量衡量细粒度情绪在VAD情绪空间中的相互关系能更有效地增强情绪间的可区分度，包含细粒度情绪间更细致的联系，比传统方法使用情感词典中情感词的VAD分数更有助于提高模型的性能。

主权项：1.融合VAD知识的情感分布增强的细粒度情绪识别方法，其特征在于，包括如下步骤：步骤S1：构建细粒度文本情绪数据集；细粒度文本情绪数据集内包括若干条评论，将每条评论当做一个样本；细粒度文本情绪数据集内的样本为28分类，包括27个情绪类别和一个中性类别，中性类别表示样本没有情绪类别；将细粒度文本情绪数据集按8：1：1的比例分为训练集、验证集和测试集；步骤S2：构建文本细粒度情绪识别模型；所述文本细粒度情绪识别模型包括语义信息模块，情感分布信息模块，融合预测模块；语义信息模块采用BERT模型；情感分布信息模块由情感词典和VAD情绪知识库构成；融合预测模块由情感知识编码层、预测层和交叉熵损失函数组成；步骤S3：初始化文本细粒度情绪识别模型的参数和超参数，将训练集采用随机输入的方式输入文本细粒度情绪识别模型内对文本细粒度情绪识别模型进行训练，得到训练好的文本细粒度情绪识别模型；步骤S4：将样本输入至语义信息模块，输出文本语义信息表征向量，其中，表示样本中第个词经过BERT模型输出的文本语义信息表征向量；步骤S5：将样本输入至情感分布信息模块，通过情感分布信息模块中的情感词典提取样本中的情感词，组合得到情感词集，其中，表示情感词集中情感词的总数；表示情感词集中第个情感词；；每个情感词至少关联一个情绪标签，即第个情感词的第个情绪标签，，根据情绪标签对应的情绪类别在VAD心理情绪模型中的位置关系，并基于每种情绪类别之间的VAD距离，为每个情感词的情绪标签生成情感分布，对情感词的每个情绪标签的情感分布做均值，得到情感词的情感分布，根据输入样本的情感词数量和每个情感词的情感分布，得到输入样本的情感分布，其中，表示样本中第个情感分布；步骤S6：将输入融合预测模块中的情感知识编码层得到情感知识编码，情感知识编码和文本语义信息表征向量维度一致，将情感知识编码和文本语义信息表征向量通过注意力和拼接操作，得到语义信息和情感分布信息融合序列；步骤S7：将语义信息和情感分布信息融合序列输入预测层进行情绪预测，并使用Softmax函数获得样本对应的情绪概率预测分布。

全文数据：

权利要求：

百度查询： 江西师范大学 融合VAD知识的情感分布增强的细粒度情绪识别方法