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！

摘要：本发明公布了一种融合多种情感极性的文本讽刺识别方法，具体实现步骤如下：（1）构建讽刺识别数据集。（2）构建初始讽刺识别情感词典并构建平滑的情感倾向点互信函数SSOPMI对其进行扩充。（3）构建讽刺识别模型，并构建融合多种情感极性的讽刺识别网络IMEPSI分别提取积极情感部分和消极情感部分的情感特征与文本的上下文信息特征，然后将情感特征与上下文信息特征进行融合并对融合后的特征向量进行降维；最后根据激活函数判断该文本是否具有讽刺性；（3）初始化模型的权重和偏置项设置模型相关的超参数，将训练集和验证集加载至该模型中进行训练，得该模型训练后的最优参数。（4）运用该模型，对文本进行讽刺识别。

主权项：1.一种融合多种情感极性的文本讽刺识别方法，其特征在于，该方法包括以下步骤：S1、构建讽刺识别数据集：首先整合现有的相关数据集整理得到原始的讽刺数据，对所述原始的讽刺数据进行标注，然后将每一个所述原始的讽刺数据与其对应的标注构造成二元组，所有的二元组构成一个讽刺识别数据集，最后将讽刺识别数据集按照一定的比例划分为训练集、验证集和测试集；S2、构建讽刺识别情感词典：首先从多个社交平台的评论和所述的讽刺识别数据集中选取N条具有情感极性的评论作为语料库；然后计算每个单词的词频W、逆文档频率F以及词频与其逆文档频率WF，选取WF排序后的前n个单词作为初始讽刺识别情感词典种子词；最后扩充讽刺识别情感词典；所述扩充讽刺识别情感词典的步骤包括：S21、计算每个单词的W、F以及WF；S22、构建情感倾向点互信函数SSOPMI扩充讽刺识别情感词典；所述构建情感倾向点互信函数SSOPMI扩充讽刺识别情感词典的步骤包括：S221、针对于在语料库中出现0次或者极少次的单词，使用N元语法NGram重新估算其在语料库中出现的次数： 其中x表示某一单词在语料库中出现的次数；表示在语料库中出现x次的单词的个 数；表示某一单词经过NGram重新估算后在语料库中出现的次数； S222、分别计算目标词w在语料库中出现的评论条数、情感种子词o在语料库中出现的评论条数、w和o在语料库中共现的评论条数占语料库中总评论条数的概率，即： 其中Countw，o为w和o在语料库中共现的评论条数；Countw为w在语料库中出现的评论条数；Counto为o在语料库中出现的评论条数；Sum为语料库中总的评论条数；S223、设计情感倾向点互信函数SSOPMI用于降低o与w的数据稀疏度，使o与w在同一条 评论中出现的概率曲线更加平滑；将Pw，o代入NGram中，得到经过NGram重新估算的w与o 在语料库中共现的次数： 其中是在语料库中正好发生Countw，o次的评论的条数； S224、计算语料库中每一个单词的情感倾向，其公式如下： 其中为具有积极情感极性的初始情感词典种子词，为具有消极情 感极性的初始情感词典种子词； 若SSOPMIw0，则说明该单词具有积极情感倾向，将其加入讽刺识别积极情感词典；若SSOPMIw=0，则说明该单词无情感倾向；若SSOPMIw0，则说明该单词具有消极情感倾向，将其加入讽刺识别消极情感词典；讽刺识别积极情感词典和讽刺识别消极情感词典组成讽刺识别情感词典；S3、构建讽刺识别模型：首先将输入文本根据讽刺识别情感词典拆分为积极情感极性部分、消极情感极性部分以及无情感极性部分；然后构建融合多种情感极性的讽刺识别网络IMEPSI分别提取积极情感极性部分和消极情感极性部分的情感特征、文本的上下文信息特征；接着将情感特征与上下文信息特征进行融合，并对融合后的特征进行降维；最后根据激活函数判断该文本是否具有讽刺性；所述构建讽刺识别模型的步骤包括：S31、基于构建好的讽刺识别情感词典，将输入文本划分为积极情感极性部分、消 极情感极性部分和无情感极性部分； S32、构建融合多种情感极性的讽刺识别网络IMEPSI，分别提取与的情感 特征、文本的上下文信息特征，然后将情感特征与上下文信息特征进行融合，并对融合后的 特征进行降维； 所述构建融合多种情感极性的讽刺识别网络IMEPSI提取并融合情感特征与上下文信息特征的步骤包括：S321、运用BERT模型提取和的情感特征：首先将和进行拼接 得到，然后再提取的积极情感特征，表示为；接着将和进行拼接得到，最后再提取的消极情感特征，表示为； S322、首先提取输入文本的上下文信息特征，表示为；然后将和进行拼接， 利用一个线性层和RELU激活函数对拼接后的特征进行降维，得到含有上下文信息的积极情 感特征： 接着将和进行拼接，利用一个线性层和RELU激活函数对拼接后的特征进行降 维，得到含有上下文信息的消极情感特征： 其中Concatenate为向量拼接函数，Linear表示线性层；S323、融合和，使用Softmax激活函数，计算出文本具有讽刺性的概率，其计算公式如下： 其中为权重矩阵，为偏置项； 若的值大于等于某阈值r，判断其具有讽刺性，反之则没有讽刺性； S4、设置模型的所有相关参数：设置丢弃率的大小、学习率的大小、批处理的大小、优化器的选择与模型相关的参数；将训练集和验证集加载至该模型中进行训练，得该模型训练后的最优参数；S5、运用该讽刺识别模型，对输入文本进行讽刺识别，将测试集输入到训练好的讽刺识别模型中进行测试，使用机器学习中的准确率和平均漏检率作为该讽刺识别模型在执行讽刺识别任务时的评估指标，然后将该讽刺识别模型运用于不同数据集的讽刺识别任务当中。

全文数据：

权利要求：

百度查询： 广东工业大学 一种融合多种情感极性的文本讽刺识别方法