CN109165381A - 一种文字ai情绪识别系统及其识别方法 - Google Patents
一种文字ai情绪识别系统及其识别方法 Download PDFInfo
- Publication number
- CN109165381A CN109165381A CN201810877261.XA CN201810877261A CN109165381A CN 109165381 A CN109165381 A CN 109165381A CN 201810877261 A CN201810877261 A CN 201810877261A CN 109165381 A CN109165381 A CN 109165381A
- Authority
- CN
- China
- Prior art keywords
- module
- term vector
- text
- vector matrix
- matrix generation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种文字AI情绪识别系统,包括系统处理模块,系统处理模块与原始文本分词处理模块实现双向连接,原始文本分词处理模块与原始文本数据分类模块实现双向连接,系统处理模块与注意力机制提取系统实现双向连接,涉及文字智能识别技术领域。该文字AI情绪识别系统及其识别方法,实现了把文字中包含的用户的情绪提炼出来,例如用户的喜、怒、哀、乐等,达到将该文字情绪提取功能加入到AI机器人领域,让机器充满意识,理解用户文字的喜怒哀乐的目的,很好的实现了与人的互动、有是非判断能力、甚至可以理解道德和维护机器的行驶安全,达到了通过文字的理解,使机器人形成AI意识对目的,从而大大促进了人工智能的发展。
Description
技术领域
本发明涉及文字智能识别技术领域,具体为一种文字AI情绪识别系统及其识别方法。
背景技术
人工智能英文缩写为AI,它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等,人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”,人工智能可以对人的意识、思维的信息过程的模拟,人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作,随着人工智能的不断发展,人工智能越来越完善化。
许多人经常通过文字发表自己对各种事件和评论对象的主观感受,与他人分享自己的价值观、意见和情绪,文字信息中包含了很多的情绪词语,蕴含了丰富的用户情绪信息,目前的人工智能不能把文字中包含的用户的情绪提炼出来,例如用户的喜、怒、哀、乐等,无法达到将该文字情绪提取功能加入到AI机器人领域,让机器充满意识,理解用户文字的喜怒哀乐的目的,不能实现与人的互动、有是非判断能力、甚至可以理解道德和维护机器的行驶安全,无法达到通过文字的理解,使机器人形成AI意识对目的,从而无法促进人工智能的发展。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种文字AI情绪识别系统及其识别方法,解决了现有的人工智能不能把文字中包含的用户的情绪提炼出来,例如用户的喜、怒、哀、乐等,无法达到将该文字情绪提取功能加入到AI机器人领域,让机器充满意识,理解用户文字的喜怒哀乐的目的,不能实现与人的互动、有是非判断能力、甚至可以理解道德和维护机器的行驶安全,无法达到通过文字的理解,使机器人形成AI意识目的的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种文字AI情绪识别系统,包括系统处理模块,所述系统处理模块与原始文本分词处理模块实现双向连接,且原始文本分词处理模块与原始文本数据分类模块实现双向连接,所述系统处理模块与注意力机制提取系统实现双向连接,且注意力机制提取系统包括长短时记忆网络注意力机制模块、注意力采样模块和注意力向量提取模块,所述长短时记忆网络注意力机制模块的输出端与注意力采样模块的输入端连接,且注意力采样模块的输出端与注意力向量提取模块的输入端连接。
优选的,所述系统处理模块与特征向量构建和训练系统实现双向连接,且系统处理模块与目标函数参数训练模块实现双向连接。
优选的,所述特征向量构建和训练系统包括语义词向量训练模块、情绪词向量训练模块和词典词向量构建模块。
优选的,所述系统处理模块与情绪词典大数据库实现双向连接,且系统处理模块与初始输入词向量矩阵生成系统实现双向连接。
优选的,所述初始输入词向量矩阵生成系统包括初始输入词典词向量矩阵生成模块、初始输入语义词向量矩阵生成模块和除湿输入情绪词向量矩阵生成模块。
优选的,所述系统处理模块分别与LSTM记忆网络处理单元和输出词向量矩阵生成系统实现双向连接,所述LSTM记忆网络处理单元的输出端与输出词向量矩阵生成系统的输入端连接,且LSTM记忆网络处理单元的输入端与初始输入词向量矩阵生成系统的输出端连接。
优选的,所述输出词向量矩阵生成系统包括输出词典词向量矩阵生成模块、输出语义词向量矩阵生成模块和输出情绪词向量矩阵生成模块。
优选的,所述系统处理模块与CNN卷积神经网络提取单元实现双向连接,且系统处理模块分别与情绪特征值分类单元和人工设计特征提取模块实现双向连接。
本发明还公开了一种文字AI情绪识别系统的识别方法,具有以下步骤:
S1、首先通过原始文本数据分类模块将原始文本数据分为训练样本和测试样本,然后通过原始文本分词处理模块对原始文本数据进行分词处理得到分词文本,之后利用特征向量构建和训练系统内的语义词向量训练模块和情绪词向量训练模块分别对分词文本进行语义词向量和情绪喜怒哀乐词向量训练,再利用特征向量构建和训练系统内的词典词向量构建模块和已有的情绪词典大数据库进行词典词向量构建;
S2、然后系统处理模块可控制初始输入词向量矩阵生成系统内的初始输入词典词向量矩阵生成模块、初始输入语义词向量矩阵生成模块和除湿输入情绪词向量矩阵生成模块生成语义词向量、情绪词向量和词典词向量的分词文本,从而得到三种类型初始输入词向量矩阵,再利用LSTM记忆网络处理单元捕获三种类型初始输入词向量矩阵中每一单词的上下文语义,融入上下文信息,然后通过输出词向量矩阵生成系统内的输出词典词向量矩阵生成模块、输出语义词向量矩阵生成模块和输出情绪词向量矩阵生成模块处理后得到三种类型输出词向量矩阵,输出词向量矩阵能够消除单词歧义;
S3、利用CNN卷积神经网络提取单元并结合不同滤波长度的卷积核提取三种类型输出词向量矩阵的局部特征;
S4、之后系统处理模块可控制注意力机制提取系统内的长短时记忆网络注意力机制模块、注意力采样模块和注意力向量提取模块分别提取输出语义词向量矩阵和输出词向量矩阵的全局特征;
S5、之后系统处理模块会控制人工设计特征提取模块对原始文本数据进行人工特征提取;
S6、利用目标函数参数训练模块分别将局部特征、全局特征和人工设计特征对多模一致回归目标函数进行参数训练;
S7、求得多模一致回归最佳参数之后,使系统处理模块控制情绪特征值分类单元来对初始输入词向量矩阵进行情绪喜、怒、哀、乐等特征值进行分类,从而完成根据文本进行情绪识别。
(三)有益效果
本发明提供了一种文字AI情绪识别系统及其识别方法。与现有技术相比具备以下有益效果:该文字AI情绪识别系统及其识别方法,通过在系统处理模块与原始文本分词处理模块实现双向连接,且原始文本分词处理模块与原始文本数据分类模块实现双向连接,再分别通过注意力机制提取系统、长短时记忆网络注意力机制模块、注意力采样模块、注意力向量提取模块、特征向量构建和训练系统、目标函数参数训练模块、语义词向量训练模块、情绪词向量训练模块、词典词向量构建模块、情绪词典大数据库、初始输入词向量矩阵生成系统、初始输入词典词向量矩阵生成模块、初始输入语义词向量矩阵生成模块、除湿输入情绪词向量矩阵生成模块、LSTM记忆网络处理单元、输出词向量矩阵生成系统、输出词典词向量矩阵生成模块、输出语义词向量矩阵生成模块、输出情绪词向量矩阵生成模块、CNN卷积神经网络提取单元、情绪特征值分类单元和人工设计特征提取模块的配合设置,很好的实现了把文字中包含的用户的情绪提炼出来,例如用户的喜、怒、哀、乐等,达到了将该文字情绪提取功能加入到AI机器人领域,让机器充满意识,理解用户文字的喜怒哀乐的目的,很好的实现了与人的互动、有是非判断能力、甚至可以理解道德和维护机器的行驶安全,达到了通过文字的理解,使机器人形成AI意识对目的,从而大大促进了人工智能的发展。
附图说明
图1为本发明系统的结构原理框图;
图2为本发明初始输入词向量矩阵生成系统的结构原理框图;
图3为本发明输出词向量矩阵生成系统的结构原理框图;
图4为本发明注意力机制提取系统的结构原理框图。
图中,1系统处理模块、2原始文本分词处理模块、3原始文本数据分类模块、4注意力机制提取系统、41长短时记忆网络注意力机制模块、42注意力采样模块、43注意力向量提取模块、5特征向量构建和训练系统、51语义词向量训练模块、52情绪词向量训练模块、53词典词向量构建模块、6目标函数参数训练模块、7情绪词典大数据库、8初始输入词向量矩阵生成系统、81初始输入词典词向量矩阵生成模块、82初始输入语义词向量矩阵生成模块、83除湿输入情绪词向量矩阵生成模块、9LSTM记忆网络处理单元、10输出词向量矩阵生成系统、101输出词典词向量矩阵生成模块、102输出语义词向量矩阵生成模块、103输出情绪词向量矩阵生成模块、11CNN卷积神经网络提取单元、12情绪特征值分类单元、13人工设计特征提取模块。
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做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。
请参阅图1-4,本发明实施例提供一种技术方案:一种文字AI情绪识别系统及其识别方法,包括系统处理模块1,系统处理模块1与原始文本分词处理模块2实现双向连接,且原始文本分词处理模块2与原始文本数据分类模块3实现双向连接,系统处理模块1与注意力机制提取系统4实现双向连接,且注意力机制提取系统4包括长短时记忆网络注意力机制模块41、注意力采样模块42和注意力向量提取模块43,长短时记忆网络注意力机制模块41的输出端与注意力采样模块42的输入端连接,且注意力采样模块42的输出端与注意力向量提取模块43的输入端连接。
本发明中,系统处理模块1与特征向量构建和训练系统5实现双向连接,且系统处理模块1与目标函数参数训练模块6实现双向连接。
本发明中,特征向量构建和训练系统5包括语义词向量训练模块51、情绪词向量训练模块52和词典词向量构建模块53。
本发明中,系统处理模块1与情绪词典大数据库7实现双向连接,且系统处理模块1与初始输入词向量矩阵生成系统8实现双向连接。
本发明中,初始输入词向量矩阵生成系统8包括初始输入词典词向量矩阵生成模块81、初始输入语义词向量矩阵生成模块82和除湿输入情绪词向量矩阵生成模块83。
本发明中,系统处理模块1分别与LSTM记忆网络处理单元9和输出词向量矩阵生成系统10实现双向连接,LSTM记忆网络处理单元9的输出端与输出词向量矩阵生成系统10的输入端连接,且LSTM记忆网络处理单元9的输入端与初始输入词向量矩阵生成系统8的输出端连接。
本发明中,输出词向量矩阵生成系统10包括输出词典词向量矩阵生成模块101、输出语义词向量矩阵生成模块102和输出情绪词向量矩阵生成模块103。
本发明中,系统处理模块1与CNN卷积神经网络提取单元11实现双向连接,且系统处理模块1分别与情绪特征值分类单元12和人工设计特征提取模块13实现双向连接。
本发明还公开了一种文字AI情绪识别系统的识别方法,具有以下步骤:
S1、首先通过原始文本数据分类模块3将原始文本数据分为训练样本和测试样本,然后通过原始文本分词处理模块2对原始文本数据进行分词处理得到分词文本,之后利用特征向量构建和训练系统5内的语义词向量训练模块51和情绪词向量训练模块52分别对分词文本进行语义词向量和情绪喜怒哀乐词向量训练,再利用特征向量构建和训练系统5内的词典词向量构建模块53和已有的情绪词典大数据库7进行词典词向量构建;
S2、然后系统处理模块1可控制初始输入词向量矩阵生成系统8内的初始输入词典词向量矩阵生成模块81、初始输入语义词向量矩阵生成模块82和除湿输入情绪词向量矩阵生成模块83生成语义词向量、情绪词向量和词典词向量的分词文本,从而得到三种类型初始输入词向量矩阵,再利用LSTM记忆网络处理单元9捕获三种类型初始输入词向量矩阵中每一单词的上下文语义,融入上下文信息,然后通过输出词向量矩阵生成系统10内的输出词典词向量矩阵生成模块101、输出语义词向量矩阵生成模块102和输出情绪词向量矩阵生成模块103处理后得到三种类型输出词向量矩阵,输出词向量矩阵能够消除单词歧义;
S3、利用CNN卷积神经网络提取单元11并结合不同滤波长度的卷积核提取三种类型输出词向量矩阵的局部特征;
S4、之后系统处理模块1可控制注意力机制提取系统4内的长短时记忆网络注意力机制模块41、注意力采样模块42和注意力向量提取模块43分别提取输出语义词向量矩阵和输出词向量矩阵的全局特征;
S5、之后系统处理模块1会控制人工设计特征提取模块13对原始文本数据进行人工特征提取;
S6、利用目标函数参数训练模块6分别将局部特征、全局特征和人工设计特征对多模一致回归目标函数进行参数训练;
S7、求得多模一致回归最佳参数之后,使系统处理模块1控制情绪特征值分类单元12来对初始输入词向量矩阵进行情绪喜、怒、哀、乐等特征值进行分类,从而完成根据文本进行情绪识别。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种文字AI情绪识别系统,包括系统处理模块(1),其特征在于:所述系统处理模块(1)与原始文本分词处理模块(2)实现双向连接,且原始文本分词处理模块(2)与原始文本数据分类模块(3)实现双向连接,所述系统处理模块(1)与注意力机制提取系统(4)实现双向连接,且注意力机制提取系统(4)包括长短时记忆网络注意力机制模块(41)、注意力采样模块(42)和注意力向量提取模块(43),所述长短时记忆网络注意力机制模块(41)的输出端与注意力采样模块(42)的输入端连接,且注意力采样模块(42)的输出端与注意力向量提取模块(43)的输入端连接。
2.根据权利要求1所述的一种文字AI情绪识别系统,其特征在于:所述系统处理模块(1)与特征向量构建和训练系统(5)实现双向连接,且系统处理模块(1)与目标函数参数训练模块(6)实现双向连接。
3.根据权利要求2所述的一种文字AI情绪识别系统,其特征在于:所述特征向量构建和训练系统(5)包括语义词向量训练模块(51)、情绪词向量训练模块(52)和词典词向量构建模块(53)。
4.根据权利要求1所述的一种文字AI情绪识别系统,其特征在于:所述系统处理模块(1)与情绪词典大数据库(7)实现双向连接,且系统处理模块(1)与初始输入词向量矩阵生成系统(8)实现双向连接。
5.根据权利要求4所述的一种文字AI情绪识别系统,其特征在于:所述初始输入词向量矩阵生成系统(8)包括初始输入词典词向量矩阵生成模块(81)、初始输入语义词向量矩阵生成模块(82)和除湿输入情绪词向量矩阵生成模块(83)。
6.根据权利要求1所述的一种文字AI情绪识别系统,其特征在于:所述系统处理模块(1)分别与LSTM记忆网络处理单元(9)和输出词向量矩阵生成系统(10)实现双向连接,所述LSTM记忆网络处理单元(9)的输出端与输出词向量矩阵生成系统(10)的输入端连接,且LSTM记忆网络处理单元(9)的输入端与初始输入词向量矩阵生成系统(8)的输出端连接。
7.根据权利要求6所述的一种文字AI情绪识别系统,其特征在于:所述输出词向量矩阵生成系统(10)包括输出词典词向量矩阵生成模块(101)、输出语义词向量矩阵生成模块(102)和输出情绪词向量矩阵生成模块(103)。
8.根据权利要求1所述的一种文字AI情绪识别系统,其特征在于:所述系统处理模块(1)与CNN卷积神经网络提取单元(11)实现双向连接,且系统处理模块(1)分别与情绪特征值分类单元(12)和人工设计特征提取模块(13)实现双向连接。
9.根据权利要求1-8中任一项所述的一种文字AI情绪识别系统的识别方法,其特征在于:具有以下步骤:
S1、首先通过原始文本数据分类模块(3)将原始文本数据分为训练样本和测试样本,然后通过原始文本分词处理模块(2)对原始文本数据进行分词处理得到分词文本,之后利用特征向量构建和训练系统(5)内的语义词向量训练模块(51)和情绪词向量训练模块(52)分别对分词文本进行语义词向量和情绪喜怒哀乐词向量训练,再利用特征向量构建和训练系统(5)内的词典词向量构建模块(53)和已有的情绪词典大数据库(7)进行词典词向量构建;
S2、然后系统处理模块(1)可控制初始输入词向量矩阵生成系统(8)内的初始输入词典词向量矩阵生成模块(81)、初始输入语义词向量矩阵生成模块(82)和除湿输入情绪词向量矩阵生成模块(83)生成语义词向量、情绪词向量和词典词向量的分词文本,从而得到三种类型初始输入词向量矩阵,再利用LSTM记忆网络处理单元(9)捕获三种类型初始输入词向量矩阵中每一单词的上下文语义,融入上下文信息,然后通过输出词向量矩阵生成系统(10)内的输出词典词向量矩阵生成模块(101)、输出语义词向量矩阵生成模块(102)和输出情绪词向量矩阵生成模块(103)处理后得到三种类型输出词向量矩阵,输出词向量矩阵能够消除单词歧义;
S3、利用CNN卷积神经网络提取单元(11)并结合不同滤波长度的卷积核提取三种类型输出词向量矩阵的局部特征;
S4、之后系统处理模块(1)可控制注意力机制提取系统(4)内的长短时记忆网络注意力机制模块(41)、注意力采样模块(42)和注意力向量提取模块(43)分别提取输出语义词向量矩阵和输出词向量矩阵的全局特征;
S5、之后系统处理模块(1)会控制人工设计特征提取模块(13)对原始文本数据进行人工特征提取;
S6、利用目标函数参数训练模块(6)分别将局部特征、全局特征和人工设计特征对多模一致回归目标函数进行参数训练;
S7、求得多模一致回归最佳参数之后,使系统处理模块(1)控制情绪特征值分类单元(12)来对初始输入词向量矩阵进行情绪喜、怒、哀、乐等特征值进行分类,从而完成根据文本进行情绪识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877261.XA CN109165381A (zh) | 2018-08-03 | 2018-08-03 | 一种文字ai情绪识别系统及其识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877261.XA CN109165381A (zh) | 2018-08-03 | 2018-08-03 | 一种文字ai情绪识别系统及其识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165381A true CN109165381A (zh) | 2019-01-08 |
Family
ID=64898835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810877261.XA Pending CN109165381A (zh) | 2018-08-03 | 2018-08-03 | 一种文字ai情绪识别系统及其识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165381A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766451A (zh) * | 2019-01-09 | 2019-05-17 | 武汉巨正环保科技有限公司 | 一种云计算平台及其调度、数据分析方法 |
CN113157913A (zh) * | 2021-01-30 | 2021-07-23 | 暨南大学 | 一种基于社会新闻数据集的伦理行为判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012134180A2 (ko) * | 2011-03-28 | 2012-10-04 | 가톨릭대학교 산학협력단 | 문장에 내재한 감정 분석을 위한 감정 분류 방법 및 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법 |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
US20170286398A1 (en) * | 2016-03-29 | 2017-10-05 | Geoffrey Hodgson Hunt | Method to resolve the meaning of a body of natural language text using artificial intelligence analysis in combination with semantic and contextual analysis |
CN107239446A (zh) * | 2017-05-27 | 2017-10-10 | 中国矿业大学 | 一种基于神经网络与注意力机制的情报关系提取方法 |
-
2018
- 2018-08-03 CN CN201810877261.XA patent/CN109165381A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012134180A2 (ko) * | 2011-03-28 | 2012-10-04 | 가톨릭대학교 산학협력단 | 문장에 내재한 감정 분석을 위한 감정 분류 방법 및 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법 |
US20170286398A1 (en) * | 2016-03-29 | 2017-10-05 | Geoffrey Hodgson Hunt | Method to resolve the meaning of a body of natural language text using artificial intelligence analysis in combination with semantic and contextual analysis |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
CN107239446A (zh) * | 2017-05-27 | 2017-10-10 | 中国矿业大学 | 一种基于神经网络与注意力机制的情报关系提取方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766451A (zh) * | 2019-01-09 | 2019-05-17 | 武汉巨正环保科技有限公司 | 一种云计算平台及其调度、数据分析方法 |
CN113157913A (zh) * | 2021-01-30 | 2021-07-23 | 暨南大学 | 一种基于社会新闻数据集的伦理行为判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183747B (zh) | 神经网络训练的方法、神经网络的压缩方法以及相关设备 | |
Chen et al. | Research on text sentiment analysis based on CNNs and SVM | |
CN108764268A (zh) | 一种基于深度学习的图文多模态情感识别方法 | |
CN107590134A (zh) | 文本情感分类方法、存储介质及计算机 | |
CN105589844A (zh) | 一种用于多轮问答系统中缺失语义补充的方法 | |
CN109684449B (zh) | 一种基于注意力机制的自然语言语义表征方法 | |
CN111243699A (zh) | 基于字词信息融合的中文电子病历实体抽取方法 | |
CN107066445A (zh) | 一种属性情感词向量的深度学习方法 | |
CN108549658A (zh) | 一种基于语法分析树上注意力机制的深度学习视频问答方法及系统 | |
Yan et al. | Cross-domain facial expression recognition based on transductive deep transfer learning | |
CN109710769A (zh) | 一种基于胶囊网络的水军评论检测系统及方法 | |
CN110287323A (zh) | 一种面向目标的情感分类方法 | |
CN106847271A (zh) | 一种用于对话交互系统的数据处理方法及装置 | |
CN107357785A (zh) | 主题特征词抽取方法及系统、情感极性判断方法及系统 | |
CN112287106A (zh) | 一种基于双通道混合神经网络的在线评论情感分类方法 | |
CN113486173B (zh) | 文本标注神经网络模型及其标注方法 | |
Zhang et al. | Multimodal continuous emotion recognition: A technical report for abaw5 | |
Zhang et al. | Facial affect recognition based on transformer encoder and audiovisual fusion for the abaw5 challenge | |
CN108154156A (zh) | 基于神经主题模型的图像集成分类方法及装置 | |
CN111191461B (zh) | 一种基于课程学习的远程监督关系抽取方法 | |
CN113312924A (zh) | 一种基于nlp高精解析标签的风险规则分类方法及装置 | |
CN112733764A (zh) | 一种基于多模态识别视频情感信息的方法 | |
CN109165381A (zh) | 一种文字ai情绪识别系统及其识别方法 | |
CN109086351A (zh) | 一种获取用户标签的方法及用户标签系统 | |
CN112749556A (zh) | 多语言模型的训练方法和装置、存储介质和电子设备 |
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: 20190108 |