CN113657446A - 多标签情绪分类模型的处理方法、系统和存储介质 - Google Patents
多标签情绪分类模型的处理方法、系统和存储介质 Download PDFInfo
- Publication number
- CN113657446A CN113657446A CN202110793238.4A CN202110793238A CN113657446A CN 113657446 A CN113657446 A CN 113657446A CN 202110793238 A CN202110793238 A CN 202110793238A CN 113657446 A CN113657446 A CN 113657446A
- Authority
- CN
- China
- Prior art keywords
- emotion
- module
- text
- representation
- information
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 215
- 238000013145 classification model Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 230000014509 gene expression Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002996 emotional effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多标签情绪分类模型的处理方法、系统和存储介质,可应用于深度学习技术领域。本发明方法涉及的分类模型包括通用表示模块、情绪表示模块、对抗分类器模块和情感判断模块,基于该模型的方法包括以下步骤:采用通用表示模块捕获文本的通用文本表示;采用对抗分类器模块增强通用文本表示;采用情绪表示模块获取不同情绪标签的情绪关联信息;根据增强后的通用文本表示和情绪关联信息,采用情绪表示模块获取文本的关键情感信息;采用情感判断模块根据关键情感信息判断文本表示的情绪类型。本发明通过获取不同情绪标签的情绪关联信息,并通过对抗训练模块增强通用文本表示,以提高情绪分类结果的准确性。
Description
技术领域
本发明涉及深度学习技术领域,尤其是一种多标签情绪分类模型的处理方法、系统和存储介质。
背景技术
相关技术中,多标签分类任务可分为两类:一种是基于问题转换的方法,另一种是基于算法自适应的方法。基于问题转换的方法是对每种标签构建一个分类器,然后根据标签分类器是否受其他分类器的影响,可进一步分为两种计算方式:第一种是分类器的计算存在关联,即将一个标签分类器的输出作为另一个标签分类器的输入,例如分类器链算法;另一种是各分类器独立运行,忽略分类器之间的影响。基于算法自适应的方法可对一些经典算法可调整用于多标签分类任务。对于深度学习,通常会对神经网络的输出层进行修改,使其能用于多标签分类任务。但是,目前的多标签分类任务的处理方式,更倾向于忽略不同情绪之间的联系,且在多任务学习中,隐藏层参数共享旨在获取文本的总体信息,可能会受到在训练过程中各种二元分类器反向传播的影响,如一些特定情绪的信息会带来干扰。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种多标签情绪分类模型的处理方法、系统和存储介质,能够提高情绪分类结果的准确性。
第一方面,本发明实施例提供了一种多标签情绪分类模型的处理方法,所述分类模型包括通用表示模块、情绪表示模块、对抗分类器模块和情感判断模块,所述处理方法包括以下步骤:
采用所述通用表示模块捕获文本的通用文本表示;
采用所述对抗分类器模块增强所述通用文本表示;
采用所述情绪表示模块获取不同情绪标签的情绪关联信息;
根据增强后的通用文本表示和所述情绪关联信息,采用所述情绪表示模块获取所述文本的关键情感信息;
采用所述情感判断模块根据所述关键情感信息判断所述文本表示的情绪类型。
本发明实施例提供的一种多标签情绪分类模型的处理方法,具有如下有益效果:
本实施例通过在分类模型内设置通用表示模块、情绪表示模块、对抗分类器模块和情感判断模块,并在处理过程中,采用通用表示模块捕获文本的通用文本表示,利用对抗分类器模块增强通用文本表示,接着采用情绪表示模块获取不同情绪标签的情绪关联信息,并根据增强后的通用文本表示和情绪关联信息,获取文本的关键情感信息,然后在采用情感判断模块根据关键情感信息判断文本表示的情绪类型。本实施例通过获取不同情绪标签的情绪关联信息,并通过对抗训练模块增强通用文本表示,以提高情绪分类结果的准确性。
在一些实施例中,所述通用表示模块包括卷积神经网络模型和双向长短期记忆网络模型;所述采用所述通用表示模块捕获文本的通用文本表示,包括:
采用所述卷积神经网络模型获取所述文本的局部特征;
采用所述双向长短期记忆网络模型处理所述局部特征,得到所述双向长短期记忆网络模型的前向输出和后向输出的总体信息;
对前向输出和后向输出的总体信息进行拼接,得到所述文本的通用文本表示。
在一些实施例中,所述情绪表示模块包括若干个单情绪二分类器,所述采用所述情绪表示模块获取不同情绪标签的情绪关联信息,包括:
采用若干个情感描述符分别描述若干个单情绪二分类器得到的情绪;
确定若干个情感描述符中的一个情感描述符与剩余情感描述符的点积;
根据所述点积得到不同情绪标签的情绪关联信息。
在一些实施例中,所述根据增强后的通用文本表示和所述情绪关联信息,采用所述情绪表示模块获取所述文本的关键情感信息,包括:
根据增强后的通用文本表示和所述情绪关联信息,对每个单情绪二分类器采用加性注意力机制获取所述文本的关键情感信息。
在一些实施例中,所述若干个单情绪二分类器包括七个单情绪二分类器;所述若干个情感描述符包括七个情感描述符。
在一些实施例中,所述采用所述对抗分类器模块增强所述通用文本表示,包括:
对每个单情绪二分类器,采用所述对抗分类器模块增强所述通用文本表示。
在一些实施例中,在所述对抗分类器模块训练时,采用正例数据和负例数据的比率控制所述对抗分类器模块的参数,并更新每个单情绪二分类器和所述通用表示模块的参数。
在一些实施例中,所述对抗分类器模块包括平均池化层、上下文向量层和输出层。
第二方面,本发明实施例提供了一种多标签情绪分类模型的处理系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行第一方面实施例提供的多标签情绪分类模型的处理方法。
第三方面,本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现第一方面实施例提供的多标签情绪分类模型的处理方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例的一种多标签情绪分类模型的处理方法的流程图;
图2为本发明实施例的多标签情绪分类模型的结构示意图;
图3为本发明实施例的CNN-Bi-LSTM模型的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
参照图1,本发明实施例提供了一种多标签情绪分类模型的处理方法,本实施例可应用于情绪分类平台对应的处理器或者服务器。其中,本实施例通过获取不同情绪标签的情绪关联信息,并通过对抗训练模块增强通用文本表示,以提高情绪分类结果的准确性。
具体地,如图2所示,本实施例的分类模型包括通用表示模块、情绪表示模块、对抗分类器模块和情感判断模块。基于该模型,如图1所示,本实施例包括以下步骤:
S11、采用通用表示模块捕获文本的通用文本表示;
S12、采用对抗分类器模块增强所述通用文本表示;
S13、采用情绪表示模块获取不同情绪标签的情绪关联信息;
S14、根据增强后的通用文本表示和情绪关联信息,采用情绪表示模块获取文本的关键情感信息;
S15、采用情感判断模块根据关键情感信息判断文本表示的情绪类型。
其中,深度学习中最常用的多任务学习(MTL)方法之一是隐藏层的硬参数共享,通常用于在所有任务之间共享隐藏层。在通用表示模块中,采用卷积神经网络模型CNN和双向长短期记忆网络模型Bi-LSTM来实现这种参数共享,捕获文本的通用文本表示,从而提高原始任务的完成效果。关于情绪表示模块,本实施例将七种情绪的分类模型分解为七个二元分类模型进行联合训练,每个模型处理一种情绪标签,使得模型可以并行训练,降低训练复杂度,且不需要设置分类阈值。同时,对于每个二分类模型,本实施例又进一步引入了情感描述符,将不同情绪标签的情绪关联信息融入模型,避免采用多任务学习而忽略不同标签之间的相关性的问题。在对抗分类器模块中,采用多情感对抗分类器防止特定的单情绪分类器的特定情绪信息通过反向传播回共享层中,从而使通用表示模块可以更好地表示一般信息,而不会包含过多的情绪信息。
具体地,在通用表示中,由于卷积神经网络可以有效捕获局部最佳特征,Bi-LSTM模型相比于RNN能更好地解决长距离依赖问题。因此,本实施例基于CRNN模型,通过如图3的CNN-Bi-LSTM模型从原始文本中获取通用文本表示。假设一段输入序列记为S=S1S2…SL,其中sj∈Rd表示序列中的第j个词例,L是序列中的词例数。在嵌入层中,每个词例都表示为d维向量。本文首先将具有不同大小的卷积核应用于这些向量,以捕获不同维度的n元文法特征,从而使模型能够捕获更多文本的局部特征xt,如下公式所示:
xt=Conv1D(s)
在情绪表示模块中,基于多任务学习的思想,本实施例将七个情绪分类标签分解成七个单情绪二分类器进行联合训练,同时引入情感描述符将各情绪标签之间的关联信息融入模型。
其中,在情感描述符中,采用若干个情感描述符分别描述若干个单情绪二分类器得到的情绪,接着确定若干个情感描述符中的一个情感描述符与剩余情感描述符的点积,然后根据点积得到不同情绪标签的情绪关联信息。具体地,若干个情感描述符和若干个单情绪二分类器的个数均可设置为7个。每个情绪描述符表示一种情绪标签,是一个向量Ni∈Rm,其中,m等于从通用表示模块得到的通用表示的维度。因此,所有情绪标签的情绪描述符都可以形成一个矩阵其中,n是情绪标签的数量,本实施例的情绪标签共七种,每一行都是某个情绪的描述符。此外,为了更好地模拟不同情绪之间的相互作用,本实施例采用使自注意机制。通过上述步骤,最终得到某一情绪i的情绪描述符如下:
在情绪具体表征中,根据增强后的通用文本表示和情绪关联信息,对每个单情绪二分类器采用加性注意力机制获取文本的关键情感信息。具体地,对于情感分类任务,情感单词所包含的信息相对来说对于最终情绪标签的预测更为重要,而注意力机制可以有效减轻对所有信息均等编码的限制。因此,本实施例在通用表示模块和情感描述符的基础上,对每个单情感分类器采用加性注意力机制以获取文本的关键情感信息,进一步得到情绪的具体表征。假设从通用表示模块输出的第i个句子的通用表示:h1,h2,…,hL,其中,为第j个隐藏状态。首先将包含情绪相关性的情绪描述符作为句子的关键向量,作用于文本的每个隐藏状态hj,获取文本中各单词的对应权重。具体地:
因此,对于第i个情绪,输入序列si变成隐藏状态的加权和:
在对抗训练中,如图2所示,对抗分类器模块包括平均池化层、上下文向量层和输出层。对每个单情绪二分类器,均采用对抗分类器模块增强通用文本表示。其中,在对抗分类器模块训练时,采用正例数据和负例数据的比率控制对抗分类器模块的参数,并更新每个单情绪二分类器和通用表示模块的参数。具体地,在多任务学习中,隐藏层参数共享的主要作用是获取情绪文本的总体信息,而不希望共享层过多的包含各任务之间的情绪信息。但是,在模型训练过程中,单情感分类器反向传播很可能会使共享层过多的关注各二元分类器之间特定的情绪信息,而忽略各任务之间的通用表示。因此,本实施例采用对抗训练来避免特定任务的情绪关联信息反向传播回隐藏层中,从而获得更一般化的表示。
对于每个情绪分类器,本实施例都通过对抗训练来增强文本的通用文本表示。假设每个情绪分类器的焦点损失定义为Li(fi(si),yl),其中,函数fi预测了一个样本属于情绪i的概率,而yi为实际概率。相应地,Lat(fat(hj),yl)为多情绪对抗分类器的焦点损失。
当进行每个单标签情绪分类器的训练时,固定由正例数据和负例数据的比率μ控制的对抗训练部分的参数θdc,并不断更新单标签情绪分类器θds和通用表示模块的参数θdg,最大程度地减少每个情绪分类器的损失,同时最大化由μ控制的多情绪分类器的损失,从而使模型在保证单标签情感分类器性能的基础上,尽可能地减少将特定情绪信息反向传播到共享层中,上述处理过程如下公式所示:
其中,θds指每个单情绪分类器的参数,包括情绪描述符和注意力权重中的参数。μ用来平衡情感表示模块和对抗分类器模块的损失,其值是由情感表示模块的学习率和对抗分类器模块的学习率相除得到的。
对抗训练部分,更新多情绪对抗分类器的参数θdc,同时固定θdg和θds,具体如下公式所示:
最后七个单情绪分类器和对抗训练这两个部分反复执行以生成情绪不变表征。
在对抗训练的焦点损失中,由于负样本多于正样本,因此上述二元分类结果可能会存在偏差。本研究没有像往常一样使用交叉熵作为损失函数,而是采用了焦点损失[37]来帮助缓解类不平衡的问题。这个损失函数旨在减少训练中大量的简单负样本的权值。焦点损失的公式如下:
其中,权重系数λ是超参数。λ的最优值是2,因此在本实施例的实验中,也将λ的观测值设为2。
而为了处理类不平衡的问题,本实施例通过使用过采样的方式,即数据扩充的方。在训练过程中,计算每个分类器的正例数据和负例数据之间的比率μ。在每次遍历训练集样本时,对阳性标签样本复制μ次,然后将这些样本与负标签样本合并,共同训练分类器。
综上可知,本实施例通过将情绪的关联信息融入到分类模型中,并采用对抗训练来避免特定任务层的情绪关联信息反向传播回隐藏层中,从而提高情绪分类结果的准确性。
本发明实施例提供了一种多标签情绪分类模型的处理系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行图1所示的多标签情绪分类模型的处理方法。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现图1所示的多标签情绪分类模型的处理方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种多标签情绪分类模型的处理方法,其特征在于,所述分类模型包括通用表示模块、情绪表示模块、对抗分类器模块和情感判断模块,所述处理方法包括以下步骤:
采用所述通用表示模块捕获文本的通用文本表示;
采用所述对抗分类器模块增强所述通用文本表示;
采用所述情绪表示模块获取不同情绪标签的情绪关联信息;
根据增强后的通用文本表示和所述情绪关联信息,采用所述情绪表示模块获取所述文本的关键情感信息;
采用所述情感判断模块根据所述关键情感信息判断所述文本表示的情绪类型。
2.根据权利要求1所述的一种多标签情绪分类模型的处理方法,其特征在于,所述通用表示模块包括卷积神经网络模型和双向长短期记忆网络模型;所述采用所述通用表示模块捕获文本的通用文本表示,包括:
采用所述卷积神经网络模型获取所述文本的局部特征;
采用所述双向长短期记忆网络模型处理所述局部特征,得到所述双向长短期记忆网络模型的前向输出和后向输出的总体信息;
对前向输出和后向输出的总体信息进行拼接,得到所述文本的通用文本表示。
3.根据权利要求1所述的一种多标签情绪分类模型的处理方法,其特征在于,所述情绪表示模块包括若干个单情绪二分类器,所述采用所述情绪表示模块获取不同情绪标签的情绪关联信息,包括:
采用若干个情感描述符分别描述若干个单情绪二分类器得到的情绪;
确定若干个情感描述符中的一个情感描述符与剩余情感描述符的点积;
根据所述点积得到不同情绪标签的情绪关联信息。
4.根据权利要求3所述的一种多标签情绪分类模型的处理方法,其特征在于,所述根据增强后的通用文本表示和所述情绪关联信息,采用所述情绪表示模块获取所述文本的关键情感信息,包括:
根据增强后的通用文本表示和所述情绪关联信息,对每个单情绪二分类器采用加性注意力机制获取所述文本的关键情感信息。
5.根据权利要求3所述的一种多标签情绪分类模型的处理方法,其特征在于,所述若干个单情绪二分类器包括七个单情绪二分类器;所述若干个情感描述符包括七个情感描述符。
6.根据权利要求3所述的一种多标签情绪分类模型的处理方法,其特征在于,所述采用所述对抗分类器模块增强所述通用文本表示,包括:
对每个单情绪二分类器,采用所述对抗分类器模块增强所述通用文本表示。
7.根据权利要求6所述的一种多标签情绪分类模型的处理方法,其特征在于,在所述对抗分类器模块训练时,采用正例数据和负例数据的比率控制所述对抗分类器模块的参数,并更新每个单情绪二分类器和所述通用表示模块的参数。
8.根据权利要求6所述的一种多标签情绪分类模型的处理方法,其特征在于,所述对抗分类器模块包括平均池化层、上下文向量层和输出层。
9.一种多标签情绪分类模型的处理系统,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行如权利要求1-8任一项所述的多标签情绪分类模型的处理方法。
10.一种存储介质,其特征在于,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现如权利要求1-8任一项所述的多标签情绪分类模型的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110793238.4A CN113657446A (zh) | 2021-07-13 | 2021-07-13 | 多标签情绪分类模型的处理方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110793238.4A CN113657446A (zh) | 2021-07-13 | 2021-07-13 | 多标签情绪分类模型的处理方法、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657446A true CN113657446A (zh) | 2021-11-16 |
Family
ID=78477365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110793238.4A Pending CN113657446A (zh) | 2021-07-13 | 2021-07-13 | 多标签情绪分类模型的处理方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657446A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156029A (zh) * | 2015-03-24 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 基于集成学习的多标签不平衡虚拟资产数据分类方法 |
CN109934280A (zh) * | 2019-03-07 | 2019-06-25 | 贵州大学 | 一种基于pso-dec-ifsvm分类算法的不平衡数据分类方法 |
CN110046356A (zh) * | 2019-04-26 | 2019-07-23 | 中森云链(成都)科技有限责任公司 | 标签嵌入在微博文本情绪多标签分类中的应用研究 |
CN111382565A (zh) * | 2020-03-09 | 2020-07-07 | 南京理工大学 | 基于多标签的情绪-原因对抽取方法及系统 |
CN111475615A (zh) * | 2020-03-12 | 2020-07-31 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种情感增强的细粒度情感预测方法、装置、系统及存储介质 |
CN111767710A (zh) * | 2020-05-13 | 2020-10-13 | 广东外语外贸大学 | 印尼语的情感分类方法、装置、设备及介质 |
WO2021051598A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 文本情感分析模型训练方法、装置、设备及可读存储介质 |
-
2021
- 2021-07-13 CN CN202110793238.4A patent/CN113657446A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156029A (zh) * | 2015-03-24 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 基于集成学习的多标签不平衡虚拟资产数据分类方法 |
CN109934280A (zh) * | 2019-03-07 | 2019-06-25 | 贵州大学 | 一种基于pso-dec-ifsvm分类算法的不平衡数据分类方法 |
CN110046356A (zh) * | 2019-04-26 | 2019-07-23 | 中森云链(成都)科技有限责任公司 | 标签嵌入在微博文本情绪多标签分类中的应用研究 |
WO2021051598A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 文本情感分析模型训练方法、装置、设备及可读存储介质 |
CN111382565A (zh) * | 2020-03-09 | 2020-07-07 | 南京理工大学 | 基于多标签的情绪-原因对抽取方法及系统 |
CN111475615A (zh) * | 2020-03-12 | 2020-07-31 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种情感增强的细粒度情感预测方法、装置、系统及存储介质 |
CN111767710A (zh) * | 2020-05-13 | 2020-10-13 | 广东外语外贸大学 | 印尼语的情感分类方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
QI LIU 等: "Learning Domain Representation for Multi-Domain Sentiment Classification", 《PROCEEDINGS OF THE 2018 CONFERENCE OF THE NORTH AMERICAN CHAPTER OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS: HUMAN LANGUAGE TECHNOLOGIES》, 31 January 2018 (2018-01-31), pages 541 - 550, XP055778067, DOI: 10.18653/v1/N18-1050 * |
WENHAO YING 等: "Improving Multi-label Emotion Classification by Integrating both General and Domain Knowledge", 《PROCEEDINGS OF THE 2019 EMNLP WORKSHOP W-NUT: THE 5TH WORKSHOP ON NOISY USER-GENERATED TEXT》, 4 November 2019 (2019-11-04), pages 316 * |
文传军 等: "基于自调节分类面 SVM的平衡不平衡数据分类", 《系统工程》, vol. 27, no. 3, 31 March 2009 (2009-03-31), pages 110 - 114 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Streaming feature selection for multilabel learning based on fuzzy mutual information | |
JP6741357B2 (ja) | マルチ関連ラベルを生成する方法及びシステム | |
EP3711000B1 (en) | Regularized neural network architecture search | |
CN111353076B (zh) | 训练跨模态检索模型的方法、跨模态检索的方法和相关装置 | |
CN112711953B (zh) | 一种基于注意力机制和gcn的文本多标签分类方法和系统 | |
JP5171962B2 (ja) | 異種データセットからの知識移転を伴うテキスト分類 | |
US20200097757A1 (en) | Network reparameterization for new class categorization | |
CN109918487A (zh) | 基于网络百科全书的智能问答方法和系统 | |
CN111914085A (zh) | 文本细粒度情感分类方法、系统、装置及存储介质 | |
CN111475642A (zh) | 一种文本分类方法、装置及模型训练方法 | |
CN113139664B (zh) | 一种跨模态的迁移学习方法 | |
US20200218932A1 (en) | Method and system for classification of data | |
CN112749274A (zh) | 基于注意力机制和干扰词删除的中文文本分类方法 | |
CN112100464B (zh) | 结合动态兴趣与专业知识的问答社区专家推荐方法及系统 | |
CN112101042A (zh) | 文本情绪识别方法、装置、终端设备和存储介质 | |
CN111985207A (zh) | 一种访问控制策略的获取方法、装置及电子设备 | |
CN114881173A (zh) | 基于自注意力机制的简历分类方法和装置 | |
CN114358250A (zh) | 数据处理方法、装置、计算机设备、介质及程序产品 | |
CN112270334A (zh) | 一种基于异常点暴露的少样本图像分类方法及系统 | |
CN116543250A (zh) | 一种基于类注意力传输的模型压缩方法 | |
CN113657446A (zh) | 多标签情绪分类模型的处理方法、系统和存储介质 | |
CN111788582A (zh) | 电子设备及其控制方法 | |
CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
Zerrouk et al. | Evolutionary algorithm for optimized CNN architecture search applied to real-time boat detection in aerial images | |
CN111552827B (zh) | 标注方法和装置、行为意愿预测模型训练方法和装置 |
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 |