CN111767710A - 印尼语的情感分类方法、装置、设备及介质 - Google Patents

印尼语的情感分类方法、装置、设备及介质 Download PDF

Info

Publication number
CN111767710A
CN111767710A CN202010402298.4A CN202010402298A CN111767710A CN 111767710 A CN111767710 A CN 111767710A CN 202010402298 A CN202010402298 A CN 202010402298A CN 111767710 A CN111767710 A CN 111767710A
Authority
CN
China
Prior art keywords
indonesia
general representation
processed
representation information
emotion classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010402298.4A
Other languages
English (en)
Other versions
CN111767710B (zh
Inventor
林楠铠
蒋盛益
林晓钿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Foreign Studies
Original Assignee
Guangdong University of Foreign Studies
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Foreign Studies filed Critical Guangdong University of Foreign Studies
Priority to CN202010402298.4A priority Critical patent/CN111767710B/zh
Publication of CN111767710A publication Critical patent/CN111767710A/zh
Application granted granted Critical
Publication of CN111767710B publication Critical patent/CN111767710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种印尼语的情感分类方法，其特征在于，包括：获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符；根据预设的CNN‑BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息；根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息；将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息；根据所述文本特征信息确定对应的情感分类结果。本发明实施例还公开了一种印尼语的情感分类装置、设备及介质，使得在多个领域都可对印尼语进行情感分类。

Description

印尼语的情感分类方法、装置、设备及介质
技术领域
本发明涉及印尼语情感分类技术领域，尤其涉及一种印尼语的情感分类方法、装置、设备及介质。
背景技术
目前，在印尼语情感分析研究中，主要分为两种任务：构建情感词典与文本情感识别，但是构建情感词典与文本情感识别只能应用于单个领域的情感分类任务。而现有的多领域情感分类任务的研究开展仍然有限，且大部分工作集中在英语研究上，但是由于印尼语与英语差别较大，无法将现有的多领域情感分类任务直接应用于印尼语上，因此，无法对多个领域的印尼语进行分类。
发明内容
本发明实施例提供一种印尼语的情感分类方法、装置、设备及介质，使得在多个领域都可对印尼语进行情感分类。
本发明一实施例提供一种印尼语的情感分类方法，包括：
获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符；
根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息；
根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息；
将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息；
根据所述文本特征信息确定对应的情感分类结果。
作为上述方案的改进，所述根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息，具体包括：
根据多尺度卷积核获取所述待处理的印尼语句子的n-gram特征；
根据BILSTM层对所述n-gram特征进行计算得到所述待处理的印尼语句子对应的通用表示信息。
作为上述方案的改进，所述根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息，具体包括：
根据所述领域描述符以及所述通用表示信息的计算相似度；
根据所述相似度以及所述通用表示信息进行回归处理得到领域通用表示信息。
作为上述方案的改进，所述将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息，具体包括：
根据dot product attention对所述领域通用表示信息与对应的记忆网络样本库中的通用信息进行加权计算，得到文本特征信息。
作为上述方案的改进，所述根据所述文本特征信息确定对应的情感分类结果，具体包括：
将所述文本特征信息通过全连接层映射为对应的三维向量；
根据softmax函数将所述三维向量正则化，确定对应的情感分类结果；其中，情感分类结果包括：正向情感、中性情感以及负向情感。
作为上述方案的改进，在所述根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息，之后还包括：
将所述通用表示信息根据预设的对抗学习法进行对抗训练，以使通用表示信息中不包含领域信息。
本发明另一实施例对应提供了一种印尼语的情感分类装置，包括：
获取模块，用于获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符；
第一处理模块，用于根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息；
第二处理模块，用于根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息；
第三处理模块，用于将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息；
分类模块，用于根据所述文本特征信息确定对应的情感分类结果。
本发明另一实施例提供了一种印尼语的情感分类设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的印尼语的情感分类方法。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的印尼语的情感分类方法。
与现有技术相比，本发明实施例公开的印尼语的情感分类方法、装置、设备及介质，通过获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符；根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息；根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息；将所述领域通用表示信息在所述领域描述符对应的记忆网络样本库中进行加权计算，得到文本特征信息；从而根据所述文本特征信息确定对应的情感分类结果。使得印尼语的通用表示可以适用于于多个领域，从而可以对在多个领域都可对印尼语进行情感分类。
附图说明
图1是本发明一实施例提供的一种印尼语的情感分类方法的流程示意图；
图2是本发明一实施例提供的一种印尼语的情感分类装置的结构示意图；
图3是本发明一实施例提供的一种印尼语的情感分类设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明一实施例提供的一种印尼语的情感分类方法的流程示意图。
本发明一实施例提供一种印尼语的情感分类方法，包括：
S10,获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符。
S20,根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息。
S30,根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息。
S40,将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息。
S50,根据所述文本特征信息确定对应的情感分类结果。
需要说明的是，在分类的过程中每一个待处理的印尼语句子对应一个领域，即可获得领域描述符。可以理解的是，可以是用户直接设定的领域，还可以是根据领域分类器进行识别。在本实施例中，领域包括：酒店、饭店等。
在训练模型时，根据领域分类器对待训练的印尼语句进行识别，不断自身训练，以使通过领域分类器可以更准确的获取领域描述符。在本实施例中，采用self-attention进行训练，同时更新相似域的领域描述符。
综上所述，通过识别印尼语中的描述符，再将描述符与通用信息进行结合得到领域描述符，使得印尼语的通用表示可以适用于于多个领域，从而可以对在多个领域都可对印尼语进行情感分类。
在上述实施例中，优选地，所述根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息，步骤S20具体包括：
根据多尺度卷积核获取所述待处理的印尼语句子的n-gram特征。
具体地，在CNN的卷积操作中，存在着多个不同尺度的卷积核同时对文本进行特征提取，从而提取出不同粒度的n-gram特征。
根据BILSTM层对所述n-gram特征进行计算得到所述待处理的印尼语句子对应的通用表示信息。
具体地，设输入的句子矩阵为C，其中每个词的维度为d(包括dw维的词向量表示和dp维的位置向量)。为了得到输入句子的特征表示，模型初始化窗口大小为k的滤波器用于卷积操作，其宽度与词向量维度一致。卷积操作如下所示：
Figure BDA0002489954760000061
其中，“·”代表点乘，σ表示sigmoid激活函数，C[i:i+k]表示第i到i+k的词向量序列，Hk为宽度为k的卷积核，b为偏置参数。为了保证不同的卷积核抽取的特征图长度一致，采用了SAME的padding策略，以使不同粒度特征输出和输入序列长度一致。为了更好地捕捉特征序列间的整体信息，将BiLSTM置于CNN之后，通过BiLSTM捕获特征序列的上下文关系，经过BiLSTM层后输出为：
Figure BDA0002489954760000062
其中
Figure BDA0002489954760000063
是BiLSTM的隐藏表示(即输出)，
Figure BDA0002489954760000064
表示两个隐藏状态之间相应值的和运算。
作为上述方案的改进，所述根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息，步骤S30具体包括：
根据所述领域描述符以及所述通用表示信息的计算相似度；
根据所述相似度以及所述通用表示信息进行回归处理得到领域通用表示信息。
具体地，self-attention中采用采用dot product attention
Figure BDA0002489954760000065
计算Ni与每个领域描述符之间的点积，点积后的值使用softmax函数归一化，
Figure BDA0002489954760000066
为所有领域描述符加权求和后的值。
Figure BDA0002489954760000067
用于对文本表示层输出的通用表示(general representation)进行加权表示。
基于additiveattention融合领域表示去获取具有领域信息的文本表示。领域描述符用来捕获领域特征，其维度为N∈R2K*m，每个领域描述符对于N中的每一列，长度为2K。该矩阵在训练过程中也同步自动更新训练。
训练时，给定一个输入
Figure BDA0002489954760000068
我们采用embedding层与CNN-BiLSTM获取输入的通用表示
Figure BDA0002489954760000069
并使用对应的领域描述符Ni加权得到领域特殊表示，计算过程如下：
Figure BDA0002489954760000071
Figure BDA0002489954760000072
Figure BDA0002489954760000073
Figure BDA0002489954760000074
表示领域标识符Ni与通用表示
Figure BDA0002489954760000075
的相似度。P∈R4K*2K、Q∈R4K*2K、v∈R4K为additiveattention的参数，P和Q分别将Ni与
Figure BDA0002489954760000076
线性投影到一层隐藏层，采用Softmax函数正则化
Figure BDA0002489954760000077
作为上述方案的改进，所述将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息，步骤S40具体包括：
根据dot product attention对所述领域通用表示信息与对应的记忆网络样本库中的通用信息进行加权计算，得到文本特征信息。其中，记忆网络样本库为memorynetwork。
具体地，采用一个
Figure BDA0002489954760000078
(Di为第i个领域的训练样本数)去捕获第i个领域的训练样本数的领域特殊表示
Figure BDA0002489954760000079
设
Figure BDA00024899547600000710
为Mi的第j列，则
Figure BDA00024899547600000711
给定一个输入
Figure BDA00024899547600000712
生成一个文本特征向量(即文本特征信息)
Figure BDA00024899547600000713
采用
Figure BDA00024899547600000714
去计算
Figure BDA00024899547600000715
与Mi的每一列的分数并采用Softmax函数正则化。得到的文本特征向量为Mi矩阵每一列的加权求和得到文本特征信息。
需要说明的是，在训练时，将文本特征信息保存至记忆网络样本库。
具体地，将文本特征信息保存至记忆网络样本库，便于继续对memorynetwork进行训练，以使得到的文本特征信息更加准确。
作为上述方案的改进，所述根据所述文本特征信息确定对应的情感分类结果，具体包括：
将所述文本特征信息通过全连接层映射为对应的三维向量。
根据softmax函数将所述三维向量正则化，确定对应的情感分类结果；其中，情感分类结果包括：正向情感、负向情感以及中性情感。
具体地，文本特征信息，即为文本特征向量经过一层全连接层映射到三维向量，并采用softmax函数正则化，得到最后的情感分类结果。
作为上述方案的改进，在所述根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息，之后还包括：
将所述通用表示信息根据预设的对抗学习法进行对抗训练，以使通用表示信息中不包含领域信息。
具体地，预测输入序列
Figure BDA0002489954760000081
来自每个领域i的可能性，我们将来自领域i的样本
Figure BDA0002489954760000082
的交叉熵损失定义为
Figure BDA0002489954760000083
对于领域i的数据Di，最小化它的损失
Figure BDA0002489954760000084
最大化领域分类器的损失
Figure BDA0002489954760000085
并用λ进行加权：
Figure BDA0002489954760000086
θds为各个领域的参数，包括领域描述符、attention权重以及Softmax参数。对抗部分通过更新θdc使损失最大化：
Figure BDA0002489954760000087
两个部分迭代执行以生成域不变表示来增强通用表示。
参见图2，是本发明一实施例提供的一种印尼语的情感分类装置的结构示意图。
本发明另一实施例对应提供了一种印尼语的情感分类装置，包括：
获取模块10，用于获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符。
第一处理模块20，用于根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息。
第二处理模块30，用于根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息。
第三处理模块40，用于将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息。
分类模块50，用于根据所述文本特征信息确定对应的情感分类结果。
本发明实施例提供的一种印尼语的情感分类装置，通过识别印尼语中的描述符，再将描述符与通用信息进行结合得到领域描述符，使得印尼语的通用表示可以适用于于多个领域，从而可以对在多个领域都可对印尼语进行情感分类。
参见图3，是本发明一实施例提供的印尼语的情感分类设备的示意图。该实施例的印尼语的情感分类设备包括：处理器11、存储器12以及存储在所述存储器12中并可在所述处理器11上运行的计算机程序。所述处理器11执行所述计算机程序时实现上述各个印尼语的语法纠错方法实施例中的步骤。或者，所述处理器11执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器11执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述印尼语的情感分类设备中的执行过程。
所述印尼语的情感分类设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述印尼语的情感分类设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是印尼语的情感分类设备的示例，并不构成对印尼语的情感分类设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述印尼语的情感分类设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述印尼语的情感分类设备的控制中心，利用各种接口和线路连接整个印尼语的情感分类设备的各个部分。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述印尼语的情感分类设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述印尼语的情感分类设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种印尼语的情感分类方法，其特征在于，包括：
获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符；
根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息；
根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息；
将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息；
根据所述文本特征信息确定对应的情感分类结果。
2.如权利要求1所述的印尼语的情感分类方法，其特征在于，所述根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息，具体包括：
根据多尺度卷积核获取所述待处理的印尼语句子的n-gram特征；
根据BILSTM层对所述n-gram特征进行计算得到所述待处理的印尼语句子对应的通用表示信息。
3.如权利要求1所述的印尼语的情感分类方法，其特征在于，所述根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息，具体包括：
根据所述领域描述符以及所述通用表示信息的计算相似度；
根据所述相似度以及所述通用表示信息进行回归处理得到领域通用表示信息。
4.如权利要求1所述的印尼语的情感分类方法，其特征在于，所述将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息，具体包括：
根据dot product attention对所述领域通用表示信息与对应的记忆网络样本库中的通用信息进行加权计算，得到文本特征信息。
5.如权利要求1所述的印尼语的情感分类方法，其特征在于，所述根据所述文本特征信息确定对应的情感分类结果，具体包括：
将所述文本特征信息通过全连接层映射为对应的三维向量；
根据softmax函数将所述三维向量正则化，确定对应的情感分类结果；其中，情感分类结果包括：正向情感、中性情感以及负向情感。
6.如权利要求1所述的印尼语的情感分类方法，其特征在于，在所述根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息，之后还包括：
将所述通用表示信息根据预设的对抗学习法进行对抗训练，以使通用表示信息中不包含领域信息。
7.一种印尼语的情感分类装置，其特征在于，包括：
获取模块，用于获取待处理的印尼语句子，并确定所述待处理的印尼语句子对应的领域描述符；
第一处理模块，用于根据预设的CNN-BILSTM模型对所述待处理的印尼语句子进行计算，得到所述待处理的印尼语句子对应的通用表示信息；
第二处理模块，用于根据所述领域描述符以及所述通用表示信息计算得到领域通用表示信息；
第三处理模块，用于将所述领域通用表示信息在当前领域对应的记忆网络样本库中进行加权计算，得到文本特征信息；
分类模块，用于根据所述文本特征信息确定对应的情感分类结果。
8.一种印尼语的情感分类设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的印尼语的情感分类方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的印尼语的情感分类方法。
CN202010402298.4A 2020-05-13 2020-05-13 印尼语的情感分类方法、装置、设备及介质 Active CN111767710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010402298.4A CN111767710B (zh) 2020-05-13 2020-05-13 印尼语的情感分类方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010402298.4A CN111767710B (zh) 2020-05-13 2020-05-13 印尼语的情感分类方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111767710A true CN111767710A (zh) 2020-10-13
CN111767710B CN111767710B (zh) 2023-03-28

Family

ID=72719067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010402298.4A Active CN111767710B (zh) 2020-05-13 2020-05-13 印尼语的情感分类方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111767710B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657446A (zh) * 2021-07-13 2021-11-16 广东外语外贸大学 多标签情绪分类模型的处理方法、***和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN110678881A (zh) * 2017-05-19 2020-01-10 易享信息技术有限公司 使用特定于上下文的词向量的自然语言处理

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN110678881A (zh) * 2017-05-19 2020-01-10 易享信息技术有限公司 使用特定于上下文的词向量的自然语言处理

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AQSATH RASYID NARADHIPA ET AL.: "Sentiment Classification for Indonesian Message in Social Media", 《2011 INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING AND INFORMATICS》 *
YITAO CAI ET AL.: "Multi-Domain Sentiment Classification Based on Domain-Aware Embedding and Attention", 《PROCEEDINGS OF THE TWENTY-EIGHTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-19)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657446A (zh) * 2021-07-13 2021-11-16 广东外语外贸大学 多标签情绪分类模型的处理方法、***和存储介质

Also Published As

Publication number Publication date
CN111767710B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN108351984B (zh) 硬件高效的深度卷积神经网络
US10621971B2 (en) Method and device for extracting speech feature based on artificial intelligence
CN109684476B (zh) 一种文本分类方法、文本分类装置及终端设备
CN109117474B (zh) 语句相似度的计算方法、装置及存储介质
EP3620982B1 (en) Sample processing method and device
CN111831826B (zh) 跨领域的文本分类模型的训练方法、分类方法以及装置
CN108898181B (zh) 一种图像分类模型的处理方法、装置及存储介质
CN113722438A (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN111460806A (zh) 基于损失函数的意图识别方法、装置、设备及存储介质
CN109637529A (zh) 基于语音的功能定位方法、装置、计算机设备及存储介质
CN113011531A (zh) 分类模型训练方法、装置、终端设备及存储介质
CN110377708B (zh) 一种多情景对话切换方法及装置
CN112560463B (zh) 文本多标注方法、装置、设备及存储介质
CN111767710B (zh) 印尼语的情感分类方法、装置、设备及介质
CN111859933B (zh) 马来语识别模型的训练方法、识别方法、装置、设备
CN116680401A (zh) 文档处理方法、文档处理装置、设备及存储介质
CN110765917A (zh) 适用于人脸识别模型训练的主动学习方法、装置、终端、介质
CN112419249B (zh) 一种特殊服饰图片转化方法、终端设备及存储介质
CN112100364A (zh) 文本语义理解方法和模型训练方法、装置、设备和介质
CN111159403B (zh) 一种智能课堂感知的方法及***
CN112036183A (zh) 基于BiLSTM网络模型及CRF模型的分词方法、装置、计算机装置及计算机存储介质
CN111368083A (zh) 基于意图混淆的文本分类方法、装置、设备及存储介质
CN111382246A (zh) 文本的匹配方法、匹配装置及终端
Loong et al. Image‐based structural analysis for education purposes: A proof‐of‐concept study
CN113553841B (zh) 词的表征方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant