买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及计算机信息处理领域，提供一种基于语义理解的教师情感关怀特征检测方法及系统。该方法包括：1教师情感关怀特征框架构建，建立包含关注、理解和鼓励的教师情感关怀特征框架；2教师情感关怀特征检测模型建立，建立教师情感关怀特征检测模型，通过情感极性分类和情感关怀特征指标匹配，实现对情感关怀特征的有效检测与处理；3检测结果可视化反馈，计算教师个体和群体的情感关怀特征检测结果，可视化处理检测结果。本发明检测方法及系统能够对在线教学活动中教师情感关怀特征进行自动识别和全面检测，促进在线教学环境中师生有效互动和提升在线教学效果。

主权项：1.一种基于语义理解的教师情感关怀特征检测方法，其特征在于该方法包括以下步骤：1教师情感关怀特征框架构建，确定教师情感关怀特征，建立包含关注、理解和鼓励的教师情感关怀特征框架；具体为：1-1教师情感关怀特征确定，确定教师情感关怀特征包括关注、理解和鼓励；1-2教师情感关怀特征框架构建，建立与教师情感关怀特征对应的情感关怀特征框架，该框架包括维度关注、理解和鼓励三个指标，其中：关注指标：用于评价教师是否对学生行为、情绪状态表示关注和关心；理解指标：用于评价教师是否对学生的困难和观点表示理解；鼓励指标：用于评价教师是否鼓励学生参与学习活动；2教师情感关怀特征检测模型建立，采用语义理解技术提取教师在线反馈文本内容的情感表征信息，确定情感关怀特征分析问题，建立教师情感关怀特征检测模型，通过情感极性分类和情感关怀特征指标匹配，实现对情感关怀特征的有效检测与处理；具体为：2-1教师在线反馈文本内容采集，面向各类在线教学活动，采集师生交互过程中教师为学生提供的反馈文本内容，包括长短句文本、长篇文章、表情符号；2-2情感关怀特征分析问题确定，在情感关怀特征检测过程中，将正向情感文本作为教师情感关怀特征检测的前提条件，进一步判断正向情感文本的语义信息与关注、理解和鼓励指标的匹配程度，以此作为情感关怀特征检测依据，基于此，教师情感关怀特征分析问题E被确定为文本内容与情感关怀特征指标匹配问题G、文本情感极性分类问题H的组合，该问题表示为如下公式： 其中，Econtenti表示第i个文本内容的情感关怀特征值，Gcontenti表示第i个文本内容与情感关怀特征指标的匹配关系，Hcontenti表示第i个文本内容的情感极性值；2-2-1文本内容与情感关怀特征指标匹配问题确定，Gcontenti函数值取决于第i个文本内容与关注、理解和鼓励指标的匹配程度，用一个文本标签四分类问题表示，具体如下： 其中，g为计算文本内容与情感关怀特征指标匹配度的函数；当文本内容与情感关怀特征指标匹配时，g函数值为1，否则为0；L1，L2，L3分别表示关注、理解、鼓励三个情感关怀特征指标，Gcontenti函数值为1时表示第i个文本内容与关注指标匹配，值为2时表示第i个文本内容与理解指标匹配，值为3时表示第i个文本内容与鼓励指标匹配，值为0时表示第i个文本内容与任一指标均不匹配；2-2-2文本情感极性分类问题确定，文本情感极性分类指根据文本内容的词汇语义和关系判断该文本内容为正向情感或负向情感，该问题表示如下： 其中，H为计算文本内容情感极性类别的函数，Hcontenti值为1时表示第i个文本内容为正向情感，否则该文本内容为负向情感；2-2-3情感关怀特征分析问题简化表示，与情感关怀特征指标匹配的正向情感文本才能作为检测的依据，则当且仅当Hcontenti为1时，才需要对第i个文本内容与情感关怀特征指标进行匹配分析，情感关怀特征分析问题进一步简化如下： 其中，Econtenti表示第i个文本内容的情感关怀特征值，当Econtenti＝1表示该文本内容与关注指标匹配，当Econtenti＝2表示该文本内容与理解指标匹配，当Econtenti＝3表示该文本内容与鼓励指标匹配，当Econtenti＝0表示该文本内容与任何一个情感关怀特征指标均不匹配；2-3教师情感关怀特征检测模型建立，针对上述情感极性识别和指标匹配的组合问题，使用自然语言处理和语义理解技术，将BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN作为备选检测模型进行训练检验，以建立最终的教师情感关怀特征检测模型；2-3-1样本语料准备，分别准备针对情感极性分类和情感关怀特征指标匹配的样本语料，包括情感极性样本语料A和指标匹配样本语料B，情感极性样本语料A来源于公开数据集，指标匹配样本语料B通过采集网络学习空间中师生交互内容并人工标注的方式获取；情感极性样本语料A包括两种标签类别：正向情感、负向情感；指标匹配样本语料B包括四种标签类别：与关注指标匹配的语料被标记为Label1、与理解指标匹配的语料被标记为Label2、与鼓励指标匹配的语料被标记为Label3、与上述各指标均不匹配的语料被标记为Label4；2-3-2模型训练与确定，针对情感极性分类任务，将样本语料A分别导入BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN模型，并进行训练、优化和检验，针对情感关怀特征指标匹配任务，将样本语料B分别导入BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN进行模型的训练和检验，情感极性分类任务使用F1值作为模型预测效果的评判指标，情感关怀特征指标匹配任务使用准确率Accuracy作为模型预测效果的评判指标，分别检验在情感极性分类和情感关怀特征指标匹配任务中各模型的预测效果，将效果最佳的模型作为最终的教师情感关怀特征检测模型；Precison＝TPTP+FPRecall＝TPTP+FNF1＝2×Precison×RecallPrecison+RecallAccuracy＝TP1+TP2+TP3+TP4N其中，Precison表示情感极性分类的精确率，即预测为正向情感的语料中预测正确的样本比例；Recall表示召回率，即所有正向情感语料中被正确预测的样本比例；TP表示被正确预测为正向情感的样本数量，FP表示被错误预测为正向情感的样本数量，FN表示被错误预测为负向情感的样本数量；F1值通过综合分析精确率和召回率进行模型效果的整体评价，Accuracy表示情感关怀特征指标匹配的准确率，TP1,TP2,TP3,TP4分别表示被准确预测为Label1、Label2、Label3、Label4的样本数量，N为被预测样本总数量；3检测结果可视化反馈，计算教师个体和群体的情感关怀特征检测结果，可视化处理检测结果，形成并反馈教师情感关怀特征的可视化检测结果。

全文数据：

权利要求：

百度查询： 华中师范大学 一种基于语义理解的教师情感关怀特征检测方法及系统