CN116821333A - 一种基于大数据的互联网视频剧本角色情感识别方法 - Google Patents
一种基于大数据的互联网视频剧本角色情感识别方法 Download PDFInfo
- Publication number
- CN116821333A CN116821333A CN202310627896.5A CN202310627896A CN116821333A CN 116821333 A CN116821333 A CN 116821333A CN 202310627896 A CN202310627896 A CN 202310627896A CN 116821333 A CN116821333 A CN 116821333A
- Authority
- CN
- China
- Prior art keywords
- data
- emotion
- script
- mask
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 30
- 230000008451 emotion Effects 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 56
- 206010010904 Convulsion Diseases 0.000 claims description 12
- 230000036461 convulsion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 241000086550 Dinosauria Species 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本发明属于自然语言处理的多标签分类领域，具体涉及一种基于大数据的互联网视频剧本角色情感识别方法；包括采集剧本数据集并进行预处理，得到预训练数据集；基于预训练数据集，采用情感语义增强方法预训练BERT模型；采用预训练好的BERT模型进行prompt范式任务和情感分类任务的联合训练，得到训练好的剧本角色情感识别模型；采集待识别剧本数据输入训练好的剧本角色情感识别模型，输出剧本角色情感识别结果；本发明对不同的情感进行交互，挖掘情感之间的关联，进一步提升了模型预测效果。
Description
技术领域
本发明属于自然语言处理的多标签分类领域，具体涉及一种基于大数据的互联网视频剧本角色情感识别方法。
背景技术
在影视行业，一部好的剧本意味着良好的口碑，巨大的流量以及高额的商业回报。要想判断一部剧本的好坏，首先需要进行剧本分析，而其中剧本角色的情感识别是非常重要的一个任务。该任务主要是针对剧本中每一句对白和动作描述中涉及到的每个角色从多个维度进行分析并识别出情感。
但是由于剧本的行文风格和通常的新闻类预料差别较大，会更加口语化，同时剧本中角色的情感不仅仅取决于当前的场景，对前文的语义也可能存在深度依赖。所以采用常规的自然语言处理模型来解决剧本角色情感识别效果并不好。
发明内容
为解决上述问题，本发明提供了一种基于大数据的互联网视频剧本角色情感识别方法，包括以下步骤：
S1.采集剧本数据集并进行预处理，得到预训练数据集；
S2.基于预训练数据集，采用情感语义增强方法预训练BERT模型；
S3.采用预训练好的BERT模型进行prompt范式任务和情感分类任务的联合训练，得到训练好的剧本角色情感识别模型；
S4.采集待识别剧本数据输入训练好的剧本角色情感识别模型，输出剧本角色情感识别结果。
进一步的，步骤S1采集剧本数据集并进行预处理包括：
S11.在剧本数据xi,i＝1,2,…,N中提取一个角色名，其中N为剧本数据总条数；
S12.对剧本数据xi进行上下文拼接获取拼接文本x’i，在拼接文本x’i的末端拼接步骤S11提取出的角色名，得到预训练数据
S13重复步骤S11-S12，得到N条预训练数据组成预训练数据集。
进一步的，步骤S2所述的情感语义增强方法包括CSOP任务和Sentiment MASK任务；采用BERT模型对CSOP任务和Sentiment MASK任务进行联合预训练，并采用交叉熵损失函数计算联合预训练损失值。
进一步的，CSOP任务用于上下文句子顺序预测，其具体训练过程包括：
S211.为预训练数据构建一个文本对zi，构建方法包括：以概率P1选择预训练数据的下文和中间文作为文本对，并打上标签0；以概率P2选择预训练数据的上文和中间文作为文本对，并打上标签1；以概率1-P1-P2选择预训练数据的上文和下文作为文本对，并打上标签2；
S212.将预训练数据的文本对zi输入BERT模型，输出文本对zi与预训练数据/>的语义关系。
进一步的，Sentiment MASK任务的训练过程包括：
S221.通过情感倾向点互信息算法SO-PMI获取预训练数据中的所有情感词；
S222.对于预训练数据中的所有情感词进行替换处理；所述替换处理为以80％的概率用MASK标记进行替换，以20％的概率用其他情感词进行替换；
S223.对于预训练数据中除情感词以外的所有词，从中选取15％的词进行替换操作；所述替换操作为以80％的概率用MASK标记进行替换，以10％的概率用其他情感词进行替换，以10％的概率不替换；
S224.通过步骤S221-S223得到对应于预训练数据的生成数据/>将生成数据/>输入BERT模型并对其MASK标记处的字进行预测。
进一步的，步骤S3所述的prompt范式任务的训练过程包括：
S311.根据BERE词表和情感范式结构对输入的剧本数据进行构造，得到一个包含MASK标记的范式数据；
S312.将范式数据输入BERT模型，输出每一个MASK标记处的预测词并拼接，将拼接结果通过全连接层获取标签预测结果。
进一步的，步骤S311针对输入的剧本数据xi,i＝1,2,…,N构建一个范式数据的过程为：
S3001.在剧本数据xi中提取出一个用于情感预测的角色名，并将其以$角色名$的形式加在剧本数据的开头；同时将剧本数据xi中的其余角色名也以$角色名$的形式标记出来；
S3002.在经过步骤S3001处理后的剧本数据xi中插入情感范式结构，所述情感范式结构为：爱[MASK]乐[MASK]惊[MASK]怒[MASK]恐[MASK]哀[MASK]；
S3003.将BERT词表中的[unuse]标记作为提示加入步骤S3002处理后的剧本数据xi，最终得到的范式数据为：$角色名$[unuse1][unuse2][unuse]爱[MASK]乐[MASK]惊[MASK]怒[MASK]恐[MASK]哀[MASK]剧本数据xi。
进一步的，步骤S3所述的情感分类任务的训练过程包括：
S321.将剧本数据通过BERT模型输出特征向量，根据特征向量获取角色名特征向量；
S322.获取角色名特征向量分别与爱、乐、惊、怒、恐和哀6种情感对应的6个角色情感特征向量，根据角色情感特征向量得到6个倾向分数；
S323.获取特征向量分别与爱、乐、惊、怒、恐和哀6种情感对应的6个基础预测概率；
S324.将每一种情感对应的基础预测概率与倾向分数融合，最终得到情感分类预测结果。
进一步的，步骤S321根据特征向量获取角色名特征向量，包括：
S3201.获取剧本数据中目标角色名的角色位置索引，根据角色位置索引在该剧本数据的特征向量中提取角色名向量；
S3202.获取该剧本数据中目标角色名的前后文位置索引，根据前后文位置索引在该剧本数据的特征向量中提取前后文向量；
S3203.将每一个角色名向量与其对应的前后文向量融合，最终得到该剧本数据的角色名特征向量。
本发明的有益效果：
本发明提供了一种基于大数据的互联网视频剧本角色情感识别方法，该方法采用BERT模型作为基模型，首先设计了两种基于剧本情感的CSOP任务和Sentiment MASK任务对BERT模型进行预训练，比传统的NSP和MLM任务训练难度更大，也提供了更贴合实际数据的信息。
其次设计了prompt范式任务，相比于传统的BERT范式预测，该prompt范式任务在prompt技术上结合情感词和角色名来构建提示，采用了较多的特殊符号，使得每个情感词都有特定位置的MASK去标记，针对多目标的预测更有针对性，解决多任务识别困难的问题。
另外还设计了情感分类任务，引入特定注意力机制对不同的情感进行交互，挖掘情感之间的关联，进一步提升了模型预测效果。
附图说明
图1为本发明基于大数据的互联网视频剧本角色情感识别方法的流程图；
图2为本发明基于大数据的互联网视频剧本角色情感识别方法的整体训练流程图；
图3为本发明基于情感语义增强的预训练方法的结构图；
图4为本发明基于prompt范式的情感预测的结构图；
图5为本发明基于特定注意力机制的情感分类的结构图。
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。
本发明提供了一种基于大数据的互联网视频剧本角色情感识别方法，如图1、图2所示，包括以下步骤：
S1.采集剧本数据集并进行预处理，得到预训练数据集。
具体地，步骤S1采集剧本数据集并进行预处理包括：
S11.在剧本数据xi,i＝1,2,…,N中提取一个角色名，其中N为剧本数据总条数。
S12.对剧本数据xi进行上下文拼接获取拼接文本x’i，在拼接文本x’i的末端拼接步骤S11提取出的角色名，得到预训练数据
特别注意的是，同一条剧本数据若含有多个不同的角色名，则随机提取一个角色名作为需要预测的对象，也可称为目标角色名，并将其拼接在所属拼接文本的末端；对这一条剧本数据而言，提取的角色名不同，其所得的预训练数据不同，后续预训练的预测对象和预测结果也不相同。
S13重复步骤S11-S12，得到N条预训练数据组成预训练数据集。
S2.基于预训练数据集，采用情感语义增强方法预训练BERT模型。
具体地，如图3所示，将BERT模型作为预训练的基模型，基于预训练数据集采用情感语义增强方法BERT模型进行预训练，包括：
S21.训练学习基于上下文句子顺序预测的CSOP任务，包括：
S211.为预训练数据构建一个文本对zi。
S212.将预训练数据的文本对zi输入BERT模型，输出文本对zi与预训练数据/>的语义关系，即预测文本对zi与预训练数据/>是上文关系、下文关系还是其他关系，然后返回预测结果。
具体地，每一条预训练数据都对应有0、1、2三种标签类型的文本对，如下所示：
文本对一：[CLS]下文[SEP]中间文[SEP]
标签：0
文本对二：[CLS]上文[SEP]中间文[SEP]
标签：1
文本对三：[CLS]上文[SEP]下文[SEP]
标签：2
每一条预训练数据每次选择一种标签类型的文本对输入BERT模型进行语义关系预测，其中选择标签为0的文本对的概率为P1；选择标签为1的文本对的概率为P2；选择标签为2的文本对的概率为1-P1-P2。
S22.训练学习带有情感词掩盖的Sentiment MASK任务，包括：
S221.通过情感倾向点互信息算法SO-PMI获取预训练数据中的所有情感词；
S222.对于预训练数据中的所有情感词进行替换处理，即有80％的概率用MASK标记进行替换情感词，有20％的概率用其他情感词进行替换情感词；
S223.对于预训练数据中除情感词以外的所有词，从中选取15％的词进行替换操作，即有80％的概率用MASK标记进行替换，有10％的概率用其他情感词进行替换，还有10％的概率不替换；
S224.通过步骤S221-S223得到对应于预训练数据的生成数据/>将生成数据/>输入BERT模型并对其MASK标记处的字进行预测，然后返回预测结果；
S23.采用交叉熵损失函数计算BERT模型联合预训练CSOP任务和Sentiment MASK任务的联合预训练损失值。其中，分别采用两个交叉熵损失函数分别计算CSOP任务和Sentiment MASK任务的损失值，然后按照1:1加权求取联合预训练损失值。
S3.采用预训练好的BERT模型进行prompt范式任务和情感分类任务的联合训练，得到训练好的剧本角色情感识别模型。
具体地，如图4所示，步骤S3所述的prompt范式任务的训练过程包括：
S311.根据BERE词表和情感范式结构对输入的剧本数据进行构造，得到一个包含MASK标记的范式数据。
具体地，步骤S311针对输入的剧本数据xi,i＝1,2,…,N构建一个对应的范式数据的过程为：
S3001.在剧本数据xi中提取出一个用于情感预测的角色名，并将其以$角色名$的形式加在剧本数据的开头；同时将剧本数据xi中的其余角色名也以$角色名$的形式标记出来；
S3002.在经过步骤S3001处理后的剧本数据xi中插入情感范式结构，所述情感范式结构为：爱[MASK]乐[MASK]惊[MASK]怒[MASK]恐[MASK]哀[MASK]；
S3003.将BERT词表中的[unuse]标记作为提示加入步骤S3002处理后的剧本数据xi，最终得到的范式数据的结构为：$角色名$[unuse1][unuse2][unuse]爱[MASK]乐[MASK]惊[MASK]怒[MASK]恐[MASK]哀[MASK]剧本数据xi。
S312.将范式数据输入BERT模型进行MLM任务，输出该范式数据中每一个MASK标记处的预测词并拼接，将拼接结果通过全连接层获取爱、乐、惊、怒、恐和哀六种情感标签预测结果，通过交叉熵损失函数计算损失值。
具体地，如图5所示，步骤S3所述的情感分类任务的训练过程包括：
S321.将剧本数据通过BERT模型输出特征向量Fs，根据特征向量获取角色名特征向量Fr。
具体地，步骤S321根据特征向量获取角色名特征向量，包括：
S3201.获取剧本数据中目标角色名的角色位置索引，根据角色位置索引在该剧本数据的特征向量中提取对应位置处的向量作为角色名向量，其表示为(f1x，f2x，...，fkx)；
S3202.获取该剧本数据中目标角色名的前后文位置索引，根据前后文位置索引在该剧本数据的特征向量中提取对应位置处的向量作为前后文向量，表示为(f1x-1，f1x+1，f2x+1，f2x+1，...，fkx-1，fkx+1)；
S3203.将每一个角色名向量与其对应的前后文向量融合，最终得到该剧本数据的角色名特征向量Fr，融合计算公式为：
其中，k表示该条文本一共出现了多少次需要预测的目标角色名，fix表示第i个出现的目标角色名位置的向量，fix+1和fix-1表示第i个出现的目标角色名位置的下一个字位置和上一个字位置的向量。
S322.通过MLP获取角色名特征向量分别与爱、乐、惊、怒、恐和哀6种情感对应的6个角色情感特征向量，其依次表示为E1、E2、E3、E4、E5、E6，根据角色情感特征向量得到6个倾向分数；
具体地，步骤S322根据角色情感特征向量获取6个倾向分数，包括：
将每两种情感对应的角色情感特征向量进行内积，得到6×6交互矩阵，表示为：
本实施例中将爱、乐、惊、怒、恐和哀这6种情感从1到6依次标号。交互矩阵中的元素eij表示第i＝1,2,...,6种情感对应的角色情感特征向量Ei对第j＝1,2,...,6种情感对应的角色情感特征向量Ej进行内积得到的交互分数；其中eii＝0。
将交互矩阵中每一个元素与其对应的两种情感结合，获取结合矩阵，表示为：
其中，表示Ei和Ej内积。
将结合矩阵输入线性层，并采用softmax激活函数对结合矩阵每一行的元素进行归一化，最终得到6种情感各自对应的倾向分数，表示为：
其中，Si＝{si1，si2，…，si6}表示第i种情感的倾向分数，其中si1表示第i种情感对第1种情感的倾向分数，δ表示softmax激活函数，wi和bi是输出为6维大小的线性层参数，为结合矩阵第i行元素的纵向拼接结果。S323.将步骤S321获取的特征向量Fs通过一个分类层，得到每一种情感的基础预测概率；
S324.将每一个基础预测概率与其对应情感的倾向分数融合，最终得到情感分类预测结果，通过交叉熵损失函数计算损失值。
具体地，将每一个基础预测概率与其对应情感的倾向分数融合，表示为：
其中，U＝(u1，...，ui，...，u6)是一个可学习矩阵，ui表示可学习矩阵里面的第i个参数，sij表示情感i对情感j的倾向分数，表示第i个情感的最终预测概率，rj表示第j种情感的基础预测概率。具体地，将prompt范式任务的损失值l1和情感分类任务的损失值l2按照下列方法融合：
其中，为可设置的超参数。
得到最终损失值后通过反向传播，对模型的各个参数进行优化，直到最后收敛，完成模型训练。
S4.采集待识别剧本数据输入训练好的BERT模型，输出剧本角色情感识别结果。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
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)
1.一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，包括以下步骤：
S1.采集剧本数据集并进行预处理，得到预训练数据集；
S2.基于预训练数据集，采用情感语义增强方法预训练BERT模型；
S3.采用预训练好的BERT模型进行prompt范式任务和情感分类任务的联合训练，得到训练好的剧本角色情感识别模型；
S4.采集待识别剧本数据输入训练好的剧本角色情感识别模型，输出剧本角色情感识别结果。
2.根据权利要求1所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，步骤S1采集剧本数据集并进行预处理包括：
S11.在剧本数据xi,i＝1,2,…,N中提取一个角色名，其中N为剧本数据总条数；
S12.对剧本数据xi进行上下文拼接获取拼接文本x’i，在拼接文本x’i的末端拼接步骤S11提取出的角色名，得到预训练数据
S13重复步骤S11-S12，得到N条预训练数据组成预训练数据集。
3.根据权利要求1所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，步骤S2所述的情感语义增强方法包括CSOP任务和Sentiment MASK任务；采用BERT模型对CSOP任务和Sentiment MASK任务进行联合预训练，并采用交叉熵损失函数计算联合预训练损失值。
4.根据权利要求3所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，CSOP任务用于上下文句子顺序预测，其具体训练过程包括：
S211.为预训练数据构建一个文本对zi，构建方法包括：以概率P1选择预训练数据的下文和中间文作为文本对，并打上标签0；以概率P2选择预训练数据的上文和中间文作为文本对，并打上标签1；以概率1-P1-P2选择预训练数据的上文和下文作为文本对，并打上标签2；
S212.将预训练数据的文本对zi输入BERT模型，输出文本对zi与预训练数据/>的语义关系。
5.根据权利要求3所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，Sentiment MASK任务的训练过程包括：
S221.通过情感倾向点互信息算法SO-PMI获取预训练数据中的所有情感词；
S222.对于预训练数据中的所有情感词进行替换处理；所述替换处理为以80％的概率用MASK标记进行替换，以20％的概率用其他情感词进行替换；
S223.对于预训练数据中除情感词以外的所有词，从中选取15％的词进行替换操作；所述替换操作为以80％的概率用MASK标记进行替换，以10％的概率用其他情感词进行替换，以10％的概率不替换；
S224.通过步骤S221-S223得到对应于预训练数据的生成数据/>将生成数据/>输入BERT模型并对其MASK标记处的字进行预测。
6.根据权利要求1所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，步骤S3所述的prompt范式任务的训练过程包括：
S311.根据BERE词表和情感范式结构对输入的剧本数据进行构造，得到一个包含MASK标记的范式数据；
S312.将范式数据输入BERT模型，输出每一个MASK标记处的预测词并拼接，将拼接结果通过全连接层获取标签预测结果。
7.根据权利要求6所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，步骤S311针对输入的剧本数据xi,i＝1,2,…,N构建一个范式数据的过程为：
S3001.在剧本数据xi中提取出一个用于情感预测的角色名，并将其以$角色名$的形式加在剧本数据的开头；同时将剧本数据xi中的其余角色名也以$角色名$的形式标记出来；
S3002.在经过步骤S3001处理后的剧本数据xi中插入情感范式结构，所述情感范式结构为：爱[MASK]乐[MASK]惊[MASK]怒[MASK]恐[MASK]哀[MASK]；
S3003.将BERT词表中的[unuse]标记作为提示加入步骤S3002处理后的剧本数据xi，最终得到的范式数据为：$角色名$[unuse1][unuse2][unuse]爱[MASK]乐[MASK]惊[MASK]怒[MASK]恐[MASK]哀[MASK]剧本数据xi。
8.根据权利要求1所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，步骤S3所述的情感分类任务的训练过程包括：
S321.将剧本数据通过BERT模型输出特征向量，根据特征向量获取角色名特征向量；
S322.获取角色名特征向量分别与爱、乐、惊、怒、恐和哀6种情感对应的6个角色情感特征向量，根据角色情感特征向量得到6个倾向分数；
S323.获取特征向量分别与爱、乐、惊、怒、恐和哀6种情感对应的6个基础预测概率；
S324.将每一种情感对应的基础预测概率与倾向分数融合，最终得到情感分类预测结果。
9.根据权利要求8所述的一种基于大数据的互联网视频剧本角色情感识别方法，其特征在于，步骤S321根据特征向量获取角色名特征向量，包括：
S3201.获取剧本数据中目标角色名的角色位置索引，根据角色位置索引在该剧本数据的特征向量中提取角色名向量；
S3202.获取该剧本数据中目标角色名的前后文位置索引，根据前后文位置索引在该剧本数据的特征向量中提取前后文向量；
S3203.将每一个角色名向量与其对应的前后文向量融合，最终得到该剧本数据的角色名特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627896.5A CN116821333A (zh) | 2023-05-30 | 2023-05-30 | 一种基于大数据的互联网视频剧本角色情感识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627896.5A CN116821333A (zh) | 2023-05-30 | 2023-05-30 | 一种基于大数据的互联网视频剧本角色情感识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116821333A true CN116821333A (zh) | 2023-09-29 |
Family
ID=88119561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310627896.5A Pending CN116821333A (zh) | 2023-05-30 | 2023-05-30 | 一种基于大数据的互联网视频剧本角色情感识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821333A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260356A (zh) * | 2015-10-10 | 2016-01-20 | 西安交通大学 | 基于多任务学习的中文交互文本情感与话题识别方法 |
| CN110245229A (zh) * | 2019-04-30 | 2019-09-17 | 中山大学 | 一种基于数据增强的深度学习主题情感分类方法 |
| CN113051916A (zh) * | 2021-04-23 | 2021-06-29 | 东南大学 | 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 |
| US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
| US11431660B1 (en) * | 2020-09-25 | 2022-08-30 | Conversation Processing Intelligence Corp. | System and method for collaborative conversational AI |
| CN115391570A (zh) * | 2022-10-28 | 2022-11-25 | 聊城大学 | 一种基于方面的情感知识图谱构建方法及装置 |
| CN115630156A (zh) * | 2022-09-21 | 2023-01-20 | 内蒙古工业大学 | 一种融合Prompt和SRU的蒙古语情感分析方法与系统 |
-
2023
- 2023-05-30 CN CN202310627896.5A patent/CN116821333A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260356A (zh) * | 2015-10-10 | 2016-01-20 | 西安交通大学 | 基于多任务学习的中文交互文本情感与话题识别方法 |
| CN110245229A (zh) * | 2019-04-30 | 2019-09-17 | 中山大学 | 一种基于数据增强的深度学习主题情感分类方法 |
| US11431660B1 (en) * | 2020-09-25 | 2022-08-30 | Conversation Processing Intelligence Corp. | System and method for collaborative conversational AI |
| US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
| CN113051916A (zh) * | 2021-04-23 | 2021-06-29 | 东南大学 | 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 |
| CN115630156A (zh) * | 2022-09-21 | 2023-01-20 | 内蒙古工业大学 | 一种融合Prompt和SRU的蒙古语情感分析方法与系统 |
| CN115391570A (zh) * | 2022-10-28 | 2022-11-25 | 聊城大学 | 一种基于方面的情感知识图谱构建方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| HYUNJAE LEE等: "KoreALBERT:Pretraining a Lite BERT Model for Korean Language Understanding", 《ARXIV:2101.11363V1》 * |
| 张颖怡;章成志;: "基于学术论文全文的研究方法句自动抽取研究", 情报学报, no. 06 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11194972B1 (en) | Semantic sentiment analysis method fusing in-depth features and time sequence models | |
| CN111339281B (zh) | 一种多视角融合的阅读理解选择题的答案选择方法 | |
| CN110866542A (zh) | 一种基于特征可控融合的深度表示学习方法 | |
| WO2023151314A1 (zh) | 基于预训练语言模型的蛋白质构象感知表示学习方法 | |
| CN113822026B (zh) | 一种多标签实体标注方法 | |
| CN111523534A (zh) | 一种图像描述的方法 | |
| CN111563146B (zh) | 一种基于推理的难度可控问题生成方法 | |
| CN116662552A (zh) | 金融文本数据分类方法、装置、终端设备及介质 | |
| CN114168707A (zh) | 一种面向推荐的情绪型对话方法 | |
| CN111951781A (zh) | 一种基于图到序列的中文韵律边界预测的方法 | |
| CN111311364B (zh) | 基于多模态商品评论分析的商品推荐方法及系统 | |
| CN110852089A (zh) | 基于智能分词与深度学习的运维项目管理方法 | |
| CN116341651A (zh) | 实体识别模型训练方法、装置、电子设备及存储介质 | |
| CN113656569B (zh) | 一种基于上下文信息推理的生成式对话方法 | |
| CN114492460A (zh) | 基于衍生提示学习的事件因果关系抽取方法 | |
| CN114118113A (zh) | 一种基于语境识别的机器翻译方法 | |
| CN114281948A (zh) | 一种纪要确定方法及其相关设备 | |
| CN114020900A (zh) | 基于融合空间位置注意力机制的图表英语摘要生成方法 | |
| Kang et al. | AI‐based language tutoring systems with end‐to‐end automatic speech recognition and proficiency evaluation | |
| CN116821333A (zh) | 一种基于大数据的互联网视频剧本角色情感识别方法 | |
| CN116956920A (zh) | 一种多任务协同表征的多模态命名实体识别方法 | |
| CN114579706B (zh) | 一种基于bert神经网络和多任务学习的主观题自动评阅方法 | |
| CN112015921B (zh) | 一种基于学习辅助知识图谱的自然语言处理方法 | |
| CN115688758A (zh) | 一种语句意图识别方法、装置和存储介质 | |
| CN115438665A (zh) | 一种供电服务工单预警识别方法、装置、设备及介质 |
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 |