CN114942991B - 一种基于隐喻识别的情感分类模型构建方法 - Google Patents
一种基于隐喻识别的情感分类模型构建方法 Download PDFInfo
- Publication number
- CN114942991B CN114942991B CN202210240916.9A CN202210240916A CN114942991B CN 114942991 B CN114942991 B CN 114942991B CN 202210240916 A CN202210240916 A CN 202210240916A CN 114942991 B CN114942991 B CN 114942991B
- Authority
- CN
- China
- Prior art keywords
- training
- metaphor
- emotion classification
- model
- emotion
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 119
- 238000013145 classification model Methods 0.000 title claims abstract description 42
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 110
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 24
- 238000002790 cross-validation Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims 1
- 230000014509 gene expression Effects 0.000 abstract description 13
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 235000000396 iron Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明提供了一种基于隐喻识别的情感分类模型构建方法,涉及计算机应用技术领域,包括:构建隐喻训练语料集,基于第一预训练语言模型训练获得隐喻识别模型;构建情感分类语料集,分别输入第二预训练语言模型和隐喻识别模型提取情感分类语料集中文本的显式特征值和隐喻信息特征值;结合显式特征值和隐喻信息特征值获得综合特征值,输入前馈神经网络和二分类softmax层,获得情感分类结果;基于情感分类结果,采用BP算法进行优化训练,获得最优的情感分类模型。本发明综合考虑了显式和隐式情感表达,更全面地分析了不同层面的文本情感信息,给出更加准确和可信的情感分类模型。
Description
技术领域
本发明属于计算机应用技术领域,尤其是涉及一种基于隐喻识别的情感分类模型构建方法。
背景技术
文本情感分类是指利用自然语言处理和文本挖掘技术,对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程,即分析对说话人的态度倾向正面还是反面。应用这项技术可以对网络上海量的文本数据进行情感分类,可以更好地挖掘网民行为规律、帮助决策机构了解舆情倾向和改善商家服务质量。
传统的文本情感分类都着重于文本中具有明显情感色彩的词汇,然而,在日常表达中,人们在对客观事物体验及其行为所反映出的情感是丰富而抽象的,除采用带有明显情感词的主观表达外,还采用修辞方式如隐喻、比喻、反问以及反讽等来含蓄地表达自己的情感。现有的文本情感分类技术并没有尝试去解读这种隐式情感表达,而这种对于文本情感信息抽取的不全面进一步限制了其对于文本情感分类的准确性和可信性。
发明内容
针对上述问题,本发明提出了一种基于隐喻识别的情感分类模型构建方法,综合考虑了显式和隐式情感表达,更全面地分析了不同层面的文本情感信息,给出更加准确和可信的评估结果。
为实现上述目的,本发明公开了一种基于隐喻识别的情感分类模型构建方法,包括:
构建隐喻训练语料集,基于第一预训练语言模型训练获得隐喻识别模型;
构建情感分类语料集,分别输入第二预训练语言模型和所述隐喻识别模型提取所述情感分类语料集中文本的显式特征值和隐喻信息特征值;
结合所述显式特征值和隐喻信息特征值获得综合特征值,输入前馈神经网络和二分类softmax层,获得情感分类结果;
基于所述情感分类结果,采用BP算法进行优化训练,获得最优的所述情感分类模型。
作为本发明的进一步改进,所述构建隐喻训练语料集,包括:标注隐喻标签和构造特征指标;
通过标准化的隐喻识别程序对文本中的每一个词标注有隐喻或无隐喻;
构造包括词本身、疏颗粒度词性标签、精细颗粒度词性标签、词所在的短句、词所在的完整长句在内的多个特征指标,拼接得到特征指标。
作为本发明的进一步改进,所述通过所述隐喻训练语料集训练第一预训练语言模型,获得隐喻识别模型;包括:
将所述隐喻训练语料集分割成K份,采用K折交叉验证方法,取1份作为测试集,剩余K-1份作为训练集,通过所述第一预训练语言模型训练、交叉验证K次,将训练效果最好的一次得到的模型作为所述隐喻识别模型。
作为本发明的进一步改进,每一次的所述第一预训练语言模型训练、交叉验证过程,包括:
将所述训练集输入所述第一预训练语言模型,所述训练集中带有所述特征指标的文本经嵌入层转换为向量,后依次经过transformer编码层、前馈神经网络和二分类的softmax层,输出隐喻分类结果;
对比标注的所述隐喻标签和所述隐喻分类结果,采用BP算法基于所述训练集迭代训练第一预训练语言模型;
训练过程中,通过所述测试集跟随测试训练后的所述第一预训练语言模型,计算正确率;
所述正确率不再提高时,保存此时所述第一预训练语言模型的参数,获得该次训练的模型。
作为本发明的进一步改进,所述构建情感分类语料库,包括:标注情感极性和构造特征指标;
将文本的所述情感极性标注为积极或消极;
构造包括词本身、疏颗粒度词性标签、精细颗粒度词性标签、词所在的短句、词所在的完整长句在内的多个特征指标,拼接得到特征指标。
作为本发明的进一步改进,将带有所述特征指标的所述情感分类语料集输入所述隐喻识别模型,经嵌入层转换为向量,后经所述transformer编码层,获得各文本的所述隐喻信息特征值。
作为本发明的进一步改进,采用K折交叉验证方法,将所述情感分类语料集分割为K份,取1份作为测试集,剩余K-1份作为训练集输入所述第二预训练语言模型的transformer编码层,获得各文本的所述显式特征值。
作为本发明的进一步改进,结合所述显式特征值和隐喻信息特征值获得综合特征值,输入前馈神经网络和二分类softmax层,获得情感分类结果;包括:
将测试集中各文本的所述显式特征值和对应的隐喻信息特征值拼接得到综合特征值;
将所述综合特征值输入前馈神经网络和二分类softmax层,获得情感分类结果。
作为本发明的进一步改进,对比测试集的所述情感分类结果和预标注的所述情感极性,采用BP算法基于所述训练集迭代训练第二预训练语言模型;
训练过程中,通过所述测试集跟随测试训练后的所述第二预训练语言模型,计算正确率;
所述正确率不再提高时,保存此时所述第二预训练语言模型的参数,作为该次训练的显示情感分类模型。
作为本发明的进一步改进,通过所述K折交叉验证方法,完成全部K次训练后获得K个所述显示情感分类模型;
比较K次获得的所述显示情感分类模型,将正确率最高的作为所述显示情感分类模型;
该所述显示情感分类模型和所述隐喻识别模型组成最终的情感分类模型。
与现有技术相比,本发明的有益效果为:
本发明通过对隐式情感展开深入的研究,克服了传统方法忽视了文本中隐式情感表达的缺点,综合考虑了显式和隐式情感表达,具有准确率高、覆盖面广、可信性强的优点。
本发明对隐式情感展开深入的研究,成果将有助于更全面、更精确地提升文本情感分类的效果,可为文本表示学习、自然语言理解、用户建模、知识嵌入等方面研究起到积极的推动作用,进一步促进基于文本情感分类相关领域的应用和产业的快速发展。
附图说明
图1为本发明一种实施例公开的基于隐喻识别的情感分类模型构建方法流程图;
图2为本发明一种实施例公开的基于隐喻识别的情感分类模型分类流程框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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做出创造性劳动的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。
下面结合附图对本发明做进一步的详细描述:
如图1所示,本发明公开的一种基于隐喻识别的情感分类模型构建方法,包括:
S1、构建隐喻训练语料集,基于第一预训练语言模型训练获得隐喻识别模型;
其中,
(1)构建隐喻训练语料集,包括:
以互联网、语料库、书籍资料文档为主要来源,集中覆盖小说、散文、杂文、神话、寓言故事、戏剧、网络博客、微博评论、歌词等富含感情色彩的文本类型获取到文本信息,并进行筛选和预处理后;如:初轮采集文本约3万条,经过筛选和预处理后剩余约6千条;
通过标准化的隐喻识别程序(Metaphor identification procedure,MIP)对文本中每一个词进行隐喻标签标注,如:隐喻-1,无隐喻-0;
为文本中每个词构造五个特征指标,包括词本身、疏颗粒度词性标签、精细颗粒度词性标签、词所在的短句、词所在的完整长句,拼接在一起,中间以[SEP]符号分隔,得到特征指标。
标注隐喻标签并构造特征指标后的文本共同组成隐喻训练语料集。
(2)基于第一预训练语言模型训练获得隐喻识别模型,包括:
将隐喻训练语料集分割成K份(如:将6千条文本分割成10分),采用K折交叉验证方法,取1份作为测试集,剩余K-1份作为训练集,通过第一预训练语言模型训练、交叉验证K次,将训练效果最好的一次得到的模型作为隐喻识别模型。
每一次的第一预训练语言模型训练、交叉验证过程,包括:
将训练集输入第一预训练语言模型,训练集中带有特征指标的文本经嵌入层转换为向量,后依次经过12个transformer编码层、前馈神经网络和二分类的softmax层,输出隐喻分类结果,即,输出0或1的标签;
对比标注的隐喻标签和隐喻分类结果,采用BP算法基于训练集迭代训练第一预训练语言模型,每次迭代采用最小批的方式计算网络误差和更新权重;
训练过程中,通过测试集跟随测试训练后的第一预训练语言模型,计算正确率;
正确率不再提高时,保存此时第一预训练语言模型的参数,获得该次训练的模型;
最后对比K次训练的模型,将正确率最高(效果最好)的作为隐喻识别模型。
进一步的,
第一预训练语言模型采用哈工大讯飞联合实验室发布的中文BERT预训练模型(chinese-roberta-wwm-ext)。
S2、构建情感分类语料集,分别输入第二预训练语言模型和隐喻识别模型提取情感分类语料集中文本的显式特征值和隐喻信息特征值;
其中,
(1)构建情感分类语料集,包括:
获取语料文本,如:从大众点评、豆瓣等公开网页上采集评论,经过过滤(删去只有表情符、转发等没有明确极性的文本),剩余文本按照情感的极性标注1和0,其中1代表积极,0代表消极;例如:采集到2万条评论,经过过滤剩下1.3万条评论;
构造特征指标,构造包括词本身、疏颗粒度词性标签、精细颗粒度词性标签、词所在的短句、词所在的完整长句在内的多个特征指标,拼接得到特征指标;
经标注情感极性和构造特征指标后的所有文本构成情感分类语料集。
(2)分别输入第二预训练语言模型和隐喻识别模型提取情感分类语料集中文本的显式特征值和隐喻信息特征值;包括:
将带有特征指标的情感分类语料集输入隐喻识别模型,经嵌入层转换为向量,后经12个transformer编码层,获得各文本的隐喻信息特征值。
采用K折交叉验证方法,将情感分类语料集分割为K份,取1份作为测试集,剩余K-1份作为训练集输入第二预训练语言模型的transformer编码层,获得各文本的显式特征值。
进一步的,
第二预训练语言模型也采用哈工大讯飞联合实验室发布的中文BERT预训练模型(chinese-roberta-wwm-ext)。
S3、结合显式特征值和隐喻信息特征值获得综合特征值,输入前馈神经网络和二分类softmax层,获得情感分类结果;
其中,
将测试集中各文本的显式特征值和对应的隐喻信息特征值拼接得到综合特征值;
将综合特征值输入前馈神经网络和二分类softmax层,获得情感分类结果,即:0或1的标签,1代表积极,0代表消极。
S4、基于情感分类结果,采用BP算法进行优化训练,获得最优的情感分类模型。
其中,
(1)对比测试集的情感分类结果和预标注的情感极性,采用BP算法基于训练集迭代训练第二预训练语言模型;
训练过程中,通过测试集跟随测试训练后的第二预训练语言模型,计算正确率;
正确率不再提高时,保存此时第二预训练语言模型的参数,作为该次训练的显示情感分类模型。
(2)通过K折交叉验证方法,完成全部K次训练后获得K个显示情感分类模型;
比较K次获得的显示情感分类模型,将正确率最高的作为显示情感分类模型;
该显示情感分类模型和隐喻识别模型组成最终的情感分类模型。
实施例:
如图2所示,本发明中情感分类模型对新文本进行情感分类的过程,包括:
(1)新文本先进行特征指标构造;
(2)构造特征指标后的新文本通过英语识别模型中的12个transformer编码层,输出隐喻信息特征值;
(3)新文本通过显示情感分类模型的12个transformer编码层,输出显式信息特征值;
(4)拼接隐喻特征值和显示信息特征值得到综合特征值,通过前馈神经网络和二分类softmax层获得神经网络输出的分类结果(0:消极,1:积极)。
本发明的优点:
本发明通过对隐式情感展开深入的研究,克服了传统方法忽视了文本中隐式情感表达的缺点,综合考虑了显式和隐式情感表达,具有准确率高、覆盖面广、可信性强的优点。
本发明对隐式情感展开深入的研究,成果将有助于更全面、更精确地提升文本情感分类的效果,可为文本表示学习、自然语言理解、用户建模、知识嵌入等方面研究起到积极的推动作用,进一步促进基于文本情感分类相关领域的应用和产业的快速发展。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于隐喻识别的情感分类模型构建方法,其特征在于,包括:
构建隐喻训练语料集,包括:标注隐喻标签和构造特征指标;通过标准化的隐喻识别程序对文本中的每一个词标注有隐喻或无隐喻;构造包括词本身、疏颗粒度词性标签、精细颗粒度词性标签、词所在的短句、词所在的完整长句在内的多个特征指标,拼接得到特征指标;
基于第一预训练语言模型训练获得隐喻识别模型;包括:将所述隐喻训练语料集分割成K份,采用K折交叉验证方法,取1份作为测试集,剩余K-1份作为训练集,通过所述第一预训练语言模型训练、交叉验证K次,将训练效果最好的一次得到的模型作为所述隐喻识别模型;
构建情感分类语料集,包括:标注情感极性和构造特征指标;将文本的所述情感极性标注为积极或消极;构造包括词本身、疏颗粒度词性标签、精细颗粒度词性标签、词所在的短句、词所在的完整长句在内的多个特征指标,拼接得到特征指标;
分别输入第二预训练语言模型和所述隐喻识别模型提取所述情感分类语料集中文本的显式特征值和隐喻信息特征值;包括:采用K折交叉验证方法,将所述情感分类语料集分割为K份,取1份作为测试集,剩余K-1份作为训练集输入所述第二预训练语言模型的transformer编码层,获得各文本的所述显式特征值;将带有所述特征指标的所述情感分类语料集输入所述隐喻识别模型,经嵌入层转换为向量,后经transformer编码层,获得各文本的所述隐喻信息特征值;
结合所述显式特征值和隐喻信息特征值获得综合特征值,输入前馈神经网络和二分类softmax层,获得情感分类结果;
基于所述情感分类结果,采用BP算法进行优化训练,获得最优的所述情感分类模型。
2.根据权利要求1所述的情感分类模型构建方法,其特征在于:每一次的所述第一预训练语言模型训练、交叉验证过程,包括:
将所述训练集输入所述第一预训练语言模型,所述训练集中带有所述特征指标的文本经嵌入层转换为向量,后依次经过transformer编码层、前馈神经网络和二分类的softmax层,输出隐喻分类结果;
对比标注的所述隐喻标签和所述隐喻分类结果,采用BP算法基于所述训练集迭代训练第一预训练语言模型;
训练过程中,通过所述测试集跟随测试训练后的所述第一预训练语言模型,计算正确率;
所述正确率不再提高时,保存此时所述第一预训练语言模型的参数,获得该次训练的模型。
3.根据权利要求1所述的情感分类模型构建方法,其特征在于:结合所述显式特征值和隐喻信息特征值获得综合特征值,输入前馈神经网络和二分类softmax层,获得情感分类结果;包括:
将测试集中各文本的所述显式特征值和对应的隐喻信息特征值拼接得到综合特征值;
将所述综合特征值输入前馈神经网络和二分类softmax层,获得情感分类结果。
4.根据权利要求3所述的情感分类模型构建方法,其特征在于:
对比测试集的所述情感分类结果和预标注的所述情感极性,采用BP算法基于所述训练集迭代训练第二预训练语言模型;
训练过程中,通过所述测试集跟随测试训练后的所述第二预训练语言模型,计算正确率;
所述正确率不再提高时,保存此时所述第二预训练语言模型的参数,作为该次训练的显示情感分类模型。
5.根据权利要求4所述的情感分类模型构建方法,其特征在于:
通过所述K折交叉验证方法,完成全部K次训练后获得K个所述显示情感分类模型;
比较K次获得的所述显示情感分类模型,将正确率最高的作为所述显示情感分类模型;
所述显示情感分类模型和所述隐喻识别模型组成最终的情感分类模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210240916.9A CN114942991B (zh) | 2022-03-10 | 2022-03-10 | 一种基于隐喻识别的情感分类模型构建方法 |
PCT/CN2022/088437 WO2023168805A1 (zh) | 2022-03-10 | 2022-04-22 | 一种基于隐喻识别的情感分类模型构建方法 |
US17/900,607 US20230289528A1 (en) | 2022-03-10 | 2022-08-31 | Method for constructing sentiment classification model based on metaphor identification |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210240916.9A CN114942991B (zh) | 2022-03-10 | 2022-03-10 | 一种基于隐喻识别的情感分类模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114942991A CN114942991A (zh) | 2022-08-26 |
CN114942991B true CN114942991B (zh) | 2023-04-21 |
Family
ID=82905734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210240916.9A Active CN114942991B (zh) | 2022-03-10 | 2022-03-10 | 一种基于隐喻识别的情感分类模型构建方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230289528A1 (zh) |
CN (1) | CN114942991B (zh) |
WO (1) | WO2023168805A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226332B (zh) * | 2023-02-24 | 2024-02-06 | 华院计算技术(上海)股份有限公司 | 一种基于概念隐喻理论的隐喻生成方法及*** |
CN118095250B (zh) * | 2024-04-23 | 2024-06-28 | 华东交通大学 | 一种细分领域增强的隐式篇章关系识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101300247B1 (ko) * | 2011-11-11 | 2013-08-26 | 경희대학교 산학협력단 | 마르코프 연쇄 은닉 조건부 랜덤 필드 모델 기반의 패턴 인식 방법 |
CN106326212B (zh) * | 2016-08-26 | 2019-04-16 | 北京理工大学 | 一种基于层次深度语义的隐式篇章关系分析方法 |
CN109101490B (zh) * | 2018-07-24 | 2021-04-27 | 山西大学 | 一种基于融合特征表示的事实型隐式情感识别方法和*** |
CN111078894B (zh) * | 2019-12-17 | 2023-09-12 | 中国科学院遥感与数字地球研究所 | 一种基于隐喻主题挖掘的景区评价知识库构建方法 |
CN112084788B (zh) * | 2020-08-19 | 2024-05-14 | 北京影谱科技股份有限公司 | 一种影像字幕隐式情感倾向自动标注方法及*** |
CN112329472A (zh) * | 2020-08-28 | 2021-02-05 | 菏泽学院 | 基于隐性情感词分析以提取文本语义数据的方法、*** |
CN112256859A (zh) * | 2020-10-23 | 2021-01-22 | 辽宁工程技术大学 | 一种基于双向长短期记忆网络显式信息耦合分析的推荐方法 |
-
2022
- 2022-03-10 CN CN202210240916.9A patent/CN114942991B/zh active Active
- 2022-04-22 WO PCT/CN2022/088437 patent/WO2023168805A1/zh unknown
- 2022-08-31 US US17/900,607 patent/US20230289528A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114942991A (zh) | 2022-08-26 |
WO2023168805A1 (zh) | 2023-09-14 |
US20230289528A1 (en) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222188B (zh) | 一种多任务学习的公司公告处理方法及服务端 | |
CN111209401A (zh) | 网络舆情文本信息情感极性分类处理***及方法 | |
CN106980608A (zh) | 一种中文电子病历分词和命名实体识别方法及*** | |
CN113051916B (zh) | 一种社交网络中基于情感偏移感知的交互式微博文本情感挖掘方法 | |
CN111177326A (zh) | 基于精标注文本的关键信息抽取方法、装置及存储介质 | |
CN114942991B (zh) | 一种基于隐喻识别的情感分类模型构建方法 | |
Chang et al. | Research on detection methods based on Doc2vec abnormal comments | |
CN111783394A (zh) | 事件抽取模型的训练方法、事件抽取方法和***及设备 | |
CN112149421A (zh) | 一种基于bert嵌入的软件编程领域实体识别方法 | |
CN115239937B (zh) | 一种跨模态情感预测方法 | |
CN113806563A (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN113742733B (zh) | 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置 | |
CN110147552B (zh) | 基于自然语言处理的教育资源质量评价挖掘方法及*** | |
CN111368082A (zh) | 一种基于层次网络的领域自适应词嵌入的情感分析方法 | |
CN114818717A (zh) | 融合词汇和句法信息的中文命名实体识别方法及*** | |
CN115952291A (zh) | 基于多头自注意力及lstm的金融舆情分类方法及*** | |
CN113901211A (zh) | 基于图注意力网络的多粒度汉越平行句对抽取方法 | |
CN113869055A (zh) | 基于深度学习的电网项目特征属性识别方法 | |
CN113094502A (zh) | 一种多粒度外卖用户评论情感分析方法 | |
CN115630156A (zh) | 一种融合Prompt和SRU的蒙古语情感分析方法与*** | |
CN116383399A (zh) | 一种事件舆情风险预测方法及*** | |
CN116029305A (zh) | 一种基于多任务学习的中文属性级情感分析方法、***、设备及介质 | |
CN113793197A (zh) | 一种基于知识图谱语义融合的会话推荐*** | |
CN116702753A (zh) | 基于图注意力网络的文本情感分析方法 | |
CN115934936A (zh) | 一种基于自然语言处理的智能交通文本分析方法 |
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 |