CN108108849A - 一种基于弱监督多模态深度学习的微博情感预测方法 - Google Patents
一种基于弱监督多模态深度学习的微博情感预测方法 Download PDFInfo
- Publication number
- CN108108849A CN108108849A CN201711493988.XA CN201711493988A CN108108849A CN 108108849 A CN108108849 A CN 108108849A CN 201711493988 A CN201711493988 A CN 201711493988A CN 108108849 A CN108108849 A CN 108108849A
- Authority
- CN
- China
- Prior art keywords
- modal
- emotional
- deep learning
- prediction
- microblog
- 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.)
- Pending
Links
- 230000002996 emotional effect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000008451 emotion Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 14
- 238000011156 evaluation Methods 0.000 abstract description 3
- 244000097202 Rathbunia alamosensis Species 0.000 description 4
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于弱监督多模态深度学习的微博情感预测方法，涉及多模态情感分析领域。包括以下步骤：微博多模态数据预处理；多模态深度学习模型的弱监督训练；多模态深度学习模型的微博情感预测。解决了在微博多通道内容上的情感预测中存在的多模态判别表示和数据标签受限等问题，实现最终多模态的情感类别预测，实验评价标准为准确度，反映了预测的微博情感极性类别与事先标注的情感类别之间的一致程度。在性能上有较大的提升，考虑到多模态之间的关联性，因此在整体的多模态性能上取得最优的效果。在不同情感类别上都取得较为理想的分类效果。经过弱监督训练，使得文本和图像模态的初始模型在情感分类上效果有明显的提升。
Description
技术领域
本发明涉及多模态情感分析领域，尤其是涉及一种基于弱监督多模态深度学习的微博情感预测方法。
背景技术
近来，随着新浪微博等大型社交平台的迅速发展，每天社交网络的多媒体数据规模不断增长，以新浪微博为例，截止2016年3月，新浪微博月活跃用户达到2.6亿。作为最受欢迎的平台之一，新浪微博使得互联网用户能够在他们感兴趣的话题下表达他们的情感。因此，它吸引了大量的关于情感信息挖掘的研究，这些研究涉及一些新兴的应用包括事件检测、社交网络分析和商业推荐。
微博发展的一个明显特征在于多模态信息的增长，比如图像、视频、短文本以及丰富的表情符号。认知方面的研究也揭示不同的模态有它们特有的特征(如在符号学方面，语义层面，和认知层面)。这启发我们从多模态层面分析微博的情感。然而，预测多模态微博情感的依然是一个未解决的问题。关键的挑战有两个方面，一方面在于跨多个模态的判别表示的学习，另一方面在于情感分析受限于足够样本标签数据的获取。
当前，微博情感分析方法主要利用纯文本通道信息，比如《一种基于大规模语料特征学习的微博情感分析方法(中国专利CN201510310710.9)》、《基于规则和统计模型的中文微博情感分析方法(中国专利CN201510127310.4)》、《一种融合显性和隐性特征的中文微博情感分析方法(中国专利CN201410723617.6)》、《一种中文微博的情感倾向分析方法(中国专利CN201310072472.3)》、《基于卷积神经网络的中文微博文本情绪分类方法及其系统(中国专利CN201710046072.3)》。然而，由于微博文本具有结构随意，内容较少等特点，单从简单的纯文本通道进行微博情感类别分析难度大，情感预测的准确度低。《一种面向微博短文本的情感分析方法(中国专利CN201210088366.X)》提出一种短文本情感分析方法，但是其面向特定领域和特定主题，不具有普适性。《一种利用表情符号对微博进行情感倾向分类的方法(中国专利CN201310664725.6)》提出基于表情符号词典使用朴素贝叶斯方法构建中性情感分类器和极性情感分类器的方法进行微博情感分类，然而含有表情符号的微博仅占32％，利用表情符号单一通道进行微博情感预测难以适用于所有微博。《基于表情分析和深度学习的社交网络情感分析方法(中国专利CN201611035151.6)》提出一种利用表情符号作为标签数据进行监督学习的微博情感预测方法，然而由于表情符号在情感分类中存在精度偏差，最终训练到的模型在情感分类效果上并不理想。同时由于该方法无法挖掘到文本、表情和情感标签之间的内在关联，因此很难学到具有判别性的多模态的表示。《一种基于微博群环境的微博多模态情感分析方法(中国专利CN201410006867.8)》提出的多模态情感分析方法还是基于单一文本通道上的微博原文本和评论文本。《一种基于情感极性感知算法的跨媒体微博舆情分析方法(中国专利CN201611128106.5)》和《一种基于多模态超图学习的微博情感预测方法(中国专利CN201611128388.9)》提出了多模态的情感预测方法，然而这些方法都受限于足够的样本标签数据的获取，训练到的模型在情感分类效果上并不理想。
由此可见，现有技术存在如下缺陷：第一，现有技术主要针对单一文本通道的微博情感分析，而微博的文本具有微博文本具有结构随意，内容较少等特点，单从简单的纯文本通道进行微博情感类别分析难度大；第二，现有技术难以挖掘多个模态与情感标签之间的内在关联，从而学习到具有判别性的特征表示；第三，现在技术受限于足够样本标签数据的获取，难以训练出有效的情感预测模型，特别是基于深度学习的模型。以上三点都使得现有技术在情感预测上的准确度偏低。
发明内容
本发明的目的是针对在微博多通道内容(多模态)上的情感预测中存在的多模态判别表示和数据标签受限的问题，提供一种基于弱监督多模态深度学习的微博情感预测方法。
本发明包括以下步骤：
步骤1微博多模态数据预处理；
步骤2多模态深度学习模型的弱监督训练；
步骤3多模态深度学习模型的微博情感预测。
在步骤1中，所述微博多模态数据预处理的具体方法可为：对爬取的微博数据进行去重操作，过滤掉微博内容中的标签符号和外部链接，使用中科院自动分词工具ICTCLAS对微博文本内容进行分词(Text segment)；将表情符号作为噪声标签，即表情符号类别(Bag-of-emoticon-word)，收集文本语料里所有的表情符号，然后筛选出高频使用的49个表情符号，再为每条微博构建表情符号词袋模型作为表情符号类别，通过人工标注微博数据的情感极性来获取干净的标签，所述情感极性的类别包括正极性、负极性、中性。
在步骤2中，所述多模态深度学习模型的弱监督训练的具体方法可为：
(1)计算样本的文本模态和图像模态的情感类别概率输出，对于文本模态，首先使用词向量转换算法(word2vec)将词表中的每个词转换成一个特定的向量，然后将每个句子中的所有词向量整合成一个矩阵表示，将这个矩阵输入到动态卷积神经网络(DynamicConvolutional Neural Network，简称DCNN)中，输出文本模态下情感极性类别的概率分布；对于图像模态，直接将图像输入到预训练好的深度卷积神经网络(Deep ConvolutionalNeural Network，简称CNN)中，通过修改最后一层的网络输出结构，最终输出图像模态下情感极性类别的概率分布；
(2)计算文本模态情感预测和图像模态情感预测的一致性，通过交叉熵(Kullback-Leible散度)计算文本模态下情感极性类别的概率输出与图像模态下情感极性类别的概率输出之间的一致性概率分布，利用非线性函数，将一致性概率分布转化为一致性概率值，该值反映了当前样本中文本和图像的情感属性是否一致，便于模型的更好训练；所述非线性函数可采用Sigmoid函数；
(3)计算模型预测的情感概率分布和估计的真实情感概率分布之间的交叉熵损失并行性参数优化，首先将样本的表情符号类别作为观测变量，将情感概率分布作为隐变量，构建多模态噪声模型的概率图模型；然后通过使用最大期望算法(ExpectationMaximization Algorithm)求取模型预测的情感概率分布和估计的真实情感概率分布之间的交叉熵损失；最后利用反向传播算法(Back Propagation Algorithm)，将损失通过梯度的方式进行反向传播进而优化多模态噪声模型、DCNN模型和CNN模型的参数；
(4)重复步骤(1)～(3)，直到损失收敛到合理区间，进而获得最佳的多模态噪声模型、DCNN模型和CNN模型的参数，完成基于弱监督多模态深度学习的微博情感预测模型的训练过程。
在步骤3中，所述多模态深度学习模型的微博情感预测的具体方法可为：将待预测微博的文本经过预处理并经过词向量的转化最终输入到训练好的DCNN模型中，输出文本模态的情感类别的概率分布，将微博的图像输入到训练好的CNN模型中，输出图像模态的情感类别的概率分布，将表示两个概率分布的两个向量和表情符号向量组成新的特征向量，经过Softmax分类器，实现最终多模态的情感类别预测。
本发明解决了在微博多通道内容(多模态)上的情感预测中存在的多模态判别表示和数据标签受限等问题，提供一种基于弱监督多模态深度学习的微博情感预测方法，实现最终多模态的情感类别预测，实验评价标准为准确度(Accuracy)，反映了预测的微博情感极性类别与事先标注的情感类别之间的一致程度。本发明所提出的方法与现有技术比较在性能上有较大的提升，与最佳的HGL模型比较也提升了2个百分点。与不同方法在不同模态上的情感极性类别预测效果比较可以看出，在不同的模态上的方法(WS-MDL)都取得了较好的效果。其中HGL方法在图像模态(Visual Modality)上性能略优于WS-MDL，这是由于HGL采用了现有的视觉情感属性检测器来提取图像的特征，然而本发明的方法考虑到多模态之间的关联性，因此在整体的多模态性能上取得最优的效果。本发明在不同情感类别上都取得较为理想的分类效果。经过弱监督训练，使得文本和图像模态的初始模型在情感分类上效果有明显的提升。
附图说明
图1为基于弱监督多模态深度学习的微博情感预测方法的流程示意图。
图2为不同方法在不同模态上的情感极性类别预测效果比较。
图3为基于弱监督多模态深度学习的微博情感预测方法在不同情感类别上的精确率和召回率。
图4为基于弱监督多模态深度学习的微博情感预测方法在不同模态的不同阶段的准确度比较。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
本发明实施例包括以下步骤：
步骤1微博多模态数据预处理，具体方法如下：
先对爬取的微博数据进行去重操作，然后过滤掉微博内容中的标签符号和外部链接，最后使用中科院自动分词工具ICTCLAS对微博文本内容进行分词(Text segment)；接着将表情符号作为噪声标签(表情符号类别)，首先收集文本语料里所有的表情符号，然后筛选出高频使用的49个表情符号，最后为每条微博构建表情符号词袋模型作为表情符号类别(Bag-of-emoticon-word)，通过人工标注微博数据的情感极性来获取干净的标签(情感极性类别：正极性，负极性，以及中性)。
步骤2多模态深度学习模型的弱监督训练，如图1所示，具体方法描述如下：
步骤2.1计算样本的文本模态和图像模态的情感类别概率输出。对于文本模态，首先使用词向量转换算法(word2vec)将词表中的每个词转换成一个特定的向量。然后将每个句子中的所有词向量整合成一个矩阵表示，最后将这个矩阵输入到动态卷积神经网络(Dynamic Convolutional Neural Network，简称DCNN)中，输出文本模态下情感极性类别的概率分布。对于图像模态，直接将图像输入到预训练好的深度卷积神经网络(DeepConvolutional Neural Network，简称CNN)中，通过修改最后一层的网络输出结构，最终输出图像模态下情感极性类别的概率分布。
步骤2.2计算文本模态情感预测和图像模态情感预测的一致性。通过交叉熵(Kullback-Leible散度)计算文本模态下情感极性类别的概率输出与图像模态下情感极性类别的概率输出之间的一致性概率分布。利用非线性函数(采用Sigmoid函数)，将一致性概率分布转化为一致性概率值。该值反映了当前样本中文本和图像的情感属性是否一致，便于模型的更好训练。
步骤2.3计算模型预测的情感概率分布和估计的真实情感概率分布之间的交叉熵损失并行性参数优化。首先将样本的表情符号类别作为观测变量，将情感概率分布作为隐变量，构建多模态噪声模型的概率图模型。然后通过使用最大期望算法(ExpectationMaximization Algorithm)求取模型预测的情感概率分布和估计的真实情感概率分布之间的交叉熵损失。最后利用反向传播算法(Back Propagation Algorithm)，将损失通过梯度的方式进行反向传播进而优化多模态噪声模型、DCNN模型和CNN模型的参数。
步骤2.4重复进行步骤2.1、步骤2.2和步骤2.3，直到损失收敛到合理区间，进而获得最佳的多模态噪声模型、DCNN模型和CNN模型的参数，完成基于弱监督多模态深度学习的微博情感预测模型的训练过程。
步骤3多模态深度学习模型的微博情感预测。将待预测微博的文本经过预处理并经过词向量的转化最终输入到训练好的DCNN模型中，输出文本模态的情感类别的概率分布，将微博的图像输入到训练好的CNN模型中，输出图像模态的情感类别的概率分布，将表示两个概率分布的两个向量和表情符号向量组成新的特征向量，经过Softmax分类器，实现最终多模态的情感类别预测。
实验评价标准为准确度(Accuracy)，反映了预测的微博情感极性类别与事先标注的情感类别之间的一致程度。
多模态情感分类任务上各种方法的实验效果比较参见表1。
表1
| 方法 | 学习方式 | 精确度 |
| CBM-LR | 监督学习 | 65.6％ |
| CBM-SVM | 监督学习 | 66.6％ |
| HGL | 监督学习 | 67.2％ |
| WS-MDL | 弱监督学习 | 69.5％ |
其中，CBM-LR为基于Logistics回归的跨模态词袋模型，CBM-SVM为基于支持向量机的跨模态词袋模型，HGL为多模态超图学习方法。以上皆为目前多模态情感分类任务上最佳的方法。WS-MDL为本发明所提出的基于弱监督多模态深度学习的预测模型。由表1可以看出本发明所提出的方法与其他的方法比较在性能上有较大的提升，与最佳的HGL模型比较也提升了2个百分点。
不同方法在不同模态上的情感极性类别预测效果比较参见图2，从图2可以看出，在不同的模态上的方法(WS-MDL)都取得了较好的效果。其中HGL方法在图像模态(VisualModality)上性能略优于WS-MDL，这是由于HGL采用了现有的视觉情感属性检测器来提取图像的特征，然而本发明的方法考虑到多模态之间的关联性，因此在整体的多模态性能上取得最优的效果。
基于弱监督多模态深度学习的微博情感预测方法在不同情感类别上的精确率和召回率参见图3，由图3可知，本发明在不同情感类别上都取得较为理想的分类效果。
基于弱监督多模态深度学习的微博情感预测方法在不同模态的不同阶段的准确度参见图4，由图4可知，本发明经过弱监督训练，使得文本和图像模态的初始模型在情感分类上效果有明显的提升。
Claims (4)
1.一种基于弱监督多模态深度学习的微博情感预测方法，其特征在于包括以下步骤：
步骤1微博多模态数据预处理；
步骤2多模态深度学习模型的弱监督训练；
步骤3多模态深度学习模型的微博情感预测。
2.如权利要求1所述一种基于弱监督多模态深度学习的微博情感预测方法，其特征在于在步骤1中，所述微博多模态数据预处理的具体方法为：对爬取的微博数据进行去重操作，过滤掉微博内容中的标签符号和外部链接，使用中科院自动分词工具ICTCLAS对微博文本内容进行分词；将表情符号作为噪声标签，即表情符号类别，收集文本语料里所有的表情符号，然后筛选出高频使用的49个表情符号，再为每条微博构建表情符号词袋模型作为表情符号类别，通过人工标注微博数据的情感极性来获取干净的标签，所述情感极性的类别包括正极性、负极性、中性。
3.如权利要求1所述一种基于弱监督多模态深度学习的微博情感预测方法，其特征在于在步骤2中，所述多模态深度学习模型的弱监督训练的具体方法为：
(1)计算样本的文本模态和图像模态的情感类别概率输出，对于文本模态，首先使用词向量转换算法将词表中的每个词转换成一个特定的向量，然后将每个句子中的所有词向量整合成一个矩阵表示，将这个矩阵输入到动态卷积神经网络中，输出文本模态下情感极性类别的概率分布；对于图像模态，直接将图像输入到预训练好的深度卷积神经网络中，通过修改最后一层的网络输出结构，最终输出图像模态下情感极性类别的概率分布；
(2)计算文本模态情感预测和图像模态情感预测的一致性，通过交叉熵计算文本模态下情感极性类别的概率输出与图像模态下情感极性类别的概率输出之间的一致性概率分布，利用非线性函数，将一致性概率分布转化为一致性概率值，该值反映了当前样本中文本和图像的情感属性是否一致，便于模型的更好训练；所述非线性函数采用Sigmoid函数；
(3)计算模型预测的情感概率分布和估计的真实情感概率分布之间的交叉熵损失并行性参数优化，首先将样本的表情符号类别作为观测变量，将情感概率分布作为隐变量，构建多模态噪声模型的概率图模型；然后通过使用最大期望算法求取模型预测的情感概率分布和估计的真实情感概率分布之间的交叉熵损失；最后利用反向传播算法，将损失通过梯度的方式进行反向传播进而优化多模态噪声模型、DCNN模型和CNN模型的参数；
(4)重复步骤(1)～(3)，直到损失收敛到合理区间，进而获得最佳的多模态噪声模型、DCNN模型和CNN模型的参数，完成基于弱监督多模态深度学习的微博情感预测模型的训练过程。
4.如权利要求1所述一种基于弱监督多模态深度学习的微博情感预测方法，其特征在于在步骤3中，所述多模态深度学习模型的微博情感预测的具体方法为：将待预测微博的文本经过预处理并经过词向量的转化最终输入到训练好的DCNN模型中，输出文本模态的情感类别的概率分布，将微博的图像输入到训练好的CNN模型中，输出图像模态的情感类别的概率分布，将表示两个概率分布的两个向量和表情符号向量组成新的特征向量，经过Softmax分类器，实现最终多模态的情感类别预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711493988.XA CN108108849A (zh) | 2017-12-31 | 2017-12-31 | 一种基于弱监督多模态深度学习的微博情感预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711493988.XA CN108108849A (zh) | 2017-12-31 | 2017-12-31 | 一种基于弱监督多模态深度学习的微博情感预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108108849A true CN108108849A (zh) | 2018-06-01 |
Family
ID=62215249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711493988.XA Pending CN108108849A (zh) | 2017-12-31 | 2017-12-31 | 一种基于弱监督多模态深度学习的微博情感预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108108849A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165692A (zh) * | 2018-09-06 | 2019-01-08 | 中国矿业大学 | 一种基于弱监督学习的用户性格预测装置及方法 |
| CN109213860A (zh) * | 2018-07-26 | 2019-01-15 | 中国科学院自动化研究所 | 融合用户信息的文本情感分类方法及装置 |
| CN109376956A (zh) * | 2018-11-29 | 2019-02-22 | 西安电子科技大学 | 社交网络中公共危机信息的预测方法 |
| CN109446430A (zh) * | 2018-11-29 | 2019-03-08 | 西安电子科技大学 | 产品推荐的方法、装置、计算机设备及可读存储介质 |
| CN109710934A (zh) * | 2018-12-26 | 2019-05-03 | 南京云问网络技术有限公司 | 基于情感的客服质量监督算法 |
| CN109815383A (zh) * | 2018-12-31 | 2019-05-28 | 南京理工大学 | 基于lstm的微博谣言检测及其资源库构建方法 |
| CN109829499A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院信息工程研究所 | 基于同一特征空间的图文数据融合情感分类方法和装置 |
| CN110135592A (zh) * | 2019-05-16 | 2019-08-16 | 腾讯科技（深圳）有限公司 | 分类效果确定方法、装置、智能终端及存储介质 |
| CN110188791A (zh) * | 2019-04-18 | 2019-08-30 | 南开大学 | 基于自动估计的视觉情感标签分布预测方法 |
| CN110321918A (zh) * | 2019-04-28 | 2019-10-11 | 厦门大学 | 基于微博的舆论机器人系统情感分析和图像标注的方法 |
| CN110337016A (zh) * | 2019-06-13 | 2019-10-15 | 山东大学 | 基于多模态图卷积网络的短视频个性化推荐方法及系统 |
| CN111339306A (zh) * | 2018-12-18 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 分类模型训练方法、分类方法及装置、设备和介质 |
| CN111444342A (zh) * | 2020-03-24 | 2020-07-24 | 湖南董因信息技术有限公司 | 一种基于多重弱监督集成的短文本分类方法 |
| CN111985243A (zh) * | 2019-05-23 | 2020-11-24 | 中移(苏州)软件技术有限公司 | 情感模型的训练方法、情感分析方法、装置及存储介质 |
| CN112052869A (zh) * | 2020-07-14 | 2020-12-08 | 北京工业大学 | 一种用户心理状态识别方法及系统 |
| CN112069717A (zh) * | 2020-08-19 | 2020-12-11 | 五邑大学 | 基于多模态表征学习的磁暴预测方法、装置及存储介质 |
| CN112529024A (zh) * | 2019-09-17 | 2021-03-19 | 株式会社理光 | 一种样本数据的生成方法、装置及计算机可读存储介质 |
| CN112598067A (zh) * | 2020-12-25 | 2021-04-02 | 中国联合网络通信集团有限公司 | 事件的情感分类方法、装置、电子设备及存储介质 |
| CN113177163A (zh) * | 2021-04-28 | 2021-07-27 | 烟台中科网络技术研究所 | 用于社交动态信息情感分析的方法、系统和存储介质 |
| CN113723083A (zh) * | 2021-07-15 | 2021-11-30 | 东华理工大学 | 基于bert模型的带权消极监督文本情感分析方法 |
| CN115100390A (zh) * | 2022-08-24 | 2022-09-23 | 华东交通大学 | 一种联合对比学习与自监督区域定位的图像情感预测方法 |
| CN115563284A (zh) * | 2022-10-24 | 2023-01-03 | 重庆理工大学 | 一种基于语义的深度多实例弱监督文本分类方法 |
| CN116130089A (zh) * | 2023-02-02 | 2023-05-16 | 湖南工商大学 | 基于超图神经网络的多模态抑郁症检测系统、装置及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503646A (zh) * | 2016-10-19 | 2017-03-15 | 竹间智能科技（上海）有限公司 | 多模态情感辨识系统及方法 |
| CN106777040A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于情感极性感知算法的跨媒体微博舆情分析方法 |
-
2017
- 2017-12-31 CN CN201711493988.XA patent/CN108108849A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503646A (zh) * | 2016-10-19 | 2017-03-15 | 竹间智能科技（上海）有限公司 | 多模态情感辨识系统及方法 |
| CN106777040A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于情感极性感知算法的跨媒体微博舆情分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| F CHEN: "Multimodal hypergraph learning for microblog sentiment prediction", 《2015 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO(ICME)》 * |
| FUHAI CHEN: "Multimodal learning for view-based 3D object classification", 《SCIENCEDIRECT》 * |
| FUHAI CHEN: "Predicting Microblog Sentiments via Weakly Supervised Multimodal DeepLearning", 《IEEE》 * |
| T CHEN: "DeepSentiBank:VisualSentimentConceptClassification", 《COMPUTER SCIENCE》 * |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213860A (zh) * | 2018-07-26 | 2019-01-15 | 中国科学院自动化研究所 | 融合用户信息的文本情感分类方法及装置 |
| CN109165692A (zh) * | 2018-09-06 | 2019-01-08 | 中国矿业大学 | 一种基于弱监督学习的用户性格预测装置及方法 |
| CN109165692B (zh) * | 2018-09-06 | 2021-06-01 | 中国矿业大学 | 一种基于弱监督学习的用户性格预测装置及方法 |
| CN109376956A (zh) * | 2018-11-29 | 2019-02-22 | 西安电子科技大学 | 社交网络中公共危机信息的预测方法 |
| CN109446430A (zh) * | 2018-11-29 | 2019-03-08 | 西安电子科技大学 | 产品推荐的方法、装置、计算机设备及可读存储介质 |
| CN109446430B (zh) * | 2018-11-29 | 2021-10-01 | 西安电子科技大学 | 产品推荐的方法、装置、计算机设备及可读存储介质 |
| CN111339306B (zh) * | 2018-12-18 | 2023-05-12 | 腾讯科技（深圳）有限公司 | 分类模型训练方法、分类方法及装置、设备和介质 |
| CN111339306A (zh) * | 2018-12-18 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 分类模型训练方法、分类方法及装置、设备和介质 |
| CN109710934A (zh) * | 2018-12-26 | 2019-05-03 | 南京云问网络技术有限公司 | 基于情感的客服质量监督算法 |
| CN109815383A (zh) * | 2018-12-31 | 2019-05-28 | 南京理工大学 | 基于lstm的微博谣言检测及其资源库构建方法 |
| CN109829499B (zh) * | 2019-01-31 | 2020-10-27 | 中国科学院信息工程研究所 | 基于同一特征空间的图文数据融合情感分类方法和装置 |
| CN109829499A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院信息工程研究所 | 基于同一特征空间的图文数据融合情感分类方法和装置 |
| CN110188791A (zh) * | 2019-04-18 | 2019-08-30 | 南开大学 | 基于自动估计的视觉情感标签分布预测方法 |
| CN110188791B (zh) * | 2019-04-18 | 2023-07-07 | 南开大学 | 基于自动估计的视觉情感标签分布预测方法 |
| CN110321918A (zh) * | 2019-04-28 | 2019-10-11 | 厦门大学 | 基于微博的舆论机器人系统情感分析和图像标注的方法 |
| CN110135592A (zh) * | 2019-05-16 | 2019-08-16 | 腾讯科技（深圳）有限公司 | 分类效果确定方法、装置、智能终端及存储介质 |
| CN110135592B (zh) * | 2019-05-16 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 分类效果确定方法、装置、智能终端及存储介质 |
| CN111985243A (zh) * | 2019-05-23 | 2020-11-24 | 中移(苏州)软件技术有限公司 | 情感模型的训练方法、情感分析方法、装置及存储介质 |
| CN111985243B (zh) * | 2019-05-23 | 2023-09-08 | 中移(苏州)软件技术有限公司 | 情感模型的训练方法、情感分析方法、装置及存储介质 |
| CN110337016A (zh) * | 2019-06-13 | 2019-10-15 | 山东大学 | 基于多模态图卷积网络的短视频个性化推荐方法及系统 |
| CN112529024A (zh) * | 2019-09-17 | 2021-03-19 | 株式会社理光 | 一种样本数据的生成方法、装置及计算机可读存储介质 |
| CN111444342A (zh) * | 2020-03-24 | 2020-07-24 | 湖南董因信息技术有限公司 | 一种基于多重弱监督集成的短文本分类方法 |
| CN112052869A (zh) * | 2020-07-14 | 2020-12-08 | 北京工业大学 | 一种用户心理状态识别方法及系统 |
| CN112069717A (zh) * | 2020-08-19 | 2020-12-11 | 五邑大学 | 基于多模态表征学习的磁暴预测方法、装置及存储介质 |
| CN112598067A (zh) * | 2020-12-25 | 2021-04-02 | 中国联合网络通信集团有限公司 | 事件的情感分类方法、装置、电子设备及存储介质 |
| CN113177163A (zh) * | 2021-04-28 | 2021-07-27 | 烟台中科网络技术研究所 | 用于社交动态信息情感分析的方法、系统和存储介质 |
| CN113723083B (zh) * | 2021-07-15 | 2023-05-26 | 东华理工大学 | 基于bert模型的带权消极监督文本情感分析方法 |
| CN113723083A (zh) * | 2021-07-15 | 2021-11-30 | 东华理工大学 | 基于bert模型的带权消极监督文本情感分析方法 |
| CN115100390A (zh) * | 2022-08-24 | 2022-09-23 | 华东交通大学 | 一种联合对比学习与自监督区域定位的图像情感预测方法 |
| CN115563284A (zh) * | 2022-10-24 | 2023-01-03 | 重庆理工大学 | 一种基于语义的深度多实例弱监督文本分类方法 |
| CN115563284B (zh) * | 2022-10-24 | 2023-06-23 | 重庆理工大学 | 一种基于语义的深度多实例弱监督文本分类方法 |
| CN116130089A (zh) * | 2023-02-02 | 2023-05-16 | 湖南工商大学 | 基于超图神经网络的多模态抑郁症检测系统、装置及介质 |
| CN116130089B (zh) * | 2023-02-02 | 2024-01-02 | 湖南工商大学 | 基于超图神经网络的多模态抑郁症检测系统、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108108849A (zh) | 一种基于弱监督多模态深度学习的微博情感预测方法 | |
| Priyadarshini et al. | A novel LSTM–CNN–grid search-based deep neural network for sentiment analysis | |
| CN108763326B (zh) | 一种基于特征多样化的卷积神经网络的情感分析模型构建方法 | |
| CN108363753A (zh) | 评论文本情感分类模型训练与情感分类方法、装置及设备 | |
| CN112100383B (zh) | 一种面向多任务语言模型的元-知识微调方法及平台 | |
| CN108984530A (zh) | 一种网络敏感内容的检测方法及检测系统 | |
| CN110516245A (zh) | 细粒度情感分析方法、装置、计算机设备及存储介质 | |
| CN107247702A (zh) | 一种文本情感分析处理方法和系统 | |
| CN106445919A (zh) | 一种情感分类方法及装置 | |
| CN107247703A (zh) | 基于卷积神经网络和集成学习的微博情感分析方法 | |
| CN109933664A (zh) | 一种基于情感词嵌入的细粒度情绪分析改进方法 | |
| CN109582785A (zh) | 基于文本向量与机器学习的突发事件舆情演化分析方法 | |
| CN109783614B (zh) | 一种社交网络待发布文本的差分隐私泄露检测方法及系统 | |
| CN107357899B (zh) | 基于和积网络深度自动编码器的短文本情感分析方法 | |
| Pan et al. | Deep neural network-based classification model for Sentiment Analysis | |
| CN108228569A (zh) | 一种基于松散条件下协同学习的中文微博情感分析方法 | |
| CN110750648A (zh) | 一种基于深度学习和特征融合的文本情感分类方法 | |
| Song et al. | Text sentiment analysis based on convolutional neural network and bidirectional LSTM model | |
| CN105975497A (zh) | 微博话题自动推荐方法及装置 | |
| CN111540470B (zh) | 一种基于bert迁移学习的社交网络抑郁倾向检测模型及其训练方法 | |
| Sadr et al. | Improving the performance of text sentiment analysis using deep convolutional neural network integrated with hierarchical attention layer | |
| CN113934835B (zh) | 结合关键词和语义理解表征的检索式回复对话方法及系统 | |
| Wang et al. | Deep learning sentiment classification based on weak tagging information | |
| CN114443846A (zh) | 一种基于多层级文本异构图的分类方法、装置及电子设备 | |
| Bharti et al. | Hyperbolic feature-based sarcasm detection in Telugu conversation sentences |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180601 |