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！

申请/专利权人：华中师范大学

摘要：本发明提供一种基于深度学习的情绪原因识别方法及系统，首先，将一段文本D中的情绪de与这段文本中的任意语句组合构成新的文本数据Dcp；然后用新的文本数据Dcp训练情绪原因识别模型PECR‑BERT，所述的情绪原因识别模型PECR‑BERT包括基于Transformer的双向编码表示器BERT模型和两个全连接神经网络层；最后用训练后的情绪原因识别模型PECR‑BERT识别文本中情绪de对应的原因语句dc。本发明能够有效地识别文本中情绪语句对应的原因语句，这些信息不仅能够为政府提供决策参考，预防公众负面情绪传播，还可以为用户提供更加个性化的服务，提升商品的用户体验，具有很大的价值与研究意义。

主权项：1.一种基于深度学习的情绪原因识别方法，其特征在于：首先，将一段文本D中的情绪de与这段文本中的任意语句组合构成新的文本数据Dcp；然后用新的文本数据Dcp训练情绪原因识别模型PECR-BERT，所述的情绪原因识别模型PECR-BERT包括基于Transformer的双向编码表示器BERT模型和两个全连接神经网络层；最后用训练后的情绪原因识别模型PECR-BERT识别文本中情绪de对应的原因语句dc；将一段文本D中的情绪语句de与这段文本中的任意语句组合构成新的文本Dcp，包括对每个文本数据进行以下处理，一段文本数据D＝{d1，d2，…，di，…，dn}，di表示文本中的第i个语句，i＝1,2，…，n，文本中预先标记有情绪语句de，在情绪语句de的一定距离内选择任意语句dj，作为de对应的待判断的原因语句，其中|j-e|≤r，0≤r≤n-1，e、j表示文本中语句的位置序号，r表示情绪语句de与语句dj之间的最大相对距离，通过在de前后一定距离内选择dj的方式构建得到文本Dcp＝{de，dj，d1，d2，…，di，…，dn}，其中，r-e≤j≤r+e，1≤j≤n；用文本Dcp训练情绪原因识别模型PECR-BERT，实现方式如下，1对文本Dcp处理得到输入文本I＝[[CLS]，de，[SEP]，[CLS]，dj，[SEP]，d1，d2，…，di，…，dn]，其中，[CLS]为结果判断标志符，第一个[CLS]用来判断语句dj是否为情绪语句de对应的原因语句，第二个[CLS]用来判断语句dj是否为原因语句，[SEP]为段落分隔标志符，分别用来分隔情绪语句de、待判断语句dj和整个文本段落；使用BERT模型提供的词表对输入文本，进行分词，分词后的序列长度为M+2，然后使用词嵌入技术得到对应的词向量序列表示输入文本，中的两个[CLS]标志符对应的词向量，xm表示第m个词的词向量，m＝1,2，…M；将序列X输入到BERT模型中，通过计算得到每个词的特征表示分别表示两个[CLS]标志符对应的输出，hi表示xi对应的输出；2通过第二个[CLS]标志符对应的输出预测dj是否为原因语句，实现过程如下， 其中Wc是一个矩阵，代表是全连接神经网络层的可训练参数，sigmoid表示激活函数，将一个数值映射到0，1，使用带sigmoid激活函数的全连接网络层计算，得到语句dj是原因语句的分数yc，若yc≥0.5，语句dj是原因语句；3获得情绪语句de与语句dj之间的相对距离se，j，使用词嵌入处理将常数相对距离se，j映射到特征向量pe，j，将第一个[CLS]标志符对应的输出与相对距离特征向量pe，j拼接，然后计算语句dj是情绪语句de对应的原因语句的分数，具体实现过程如下，ycp＝sigmoidWcp[hcls1，pe，j]其中Wcp是一个矩阵，代表是全连接神经网络层的可训练参数，sigmoid表示激活函数，通过全连接层和sigmoid激活函数计算，得到语句dj是情绪语句de对应的原因语句的分数ycp，若ycp≥0.5，语句dj为情绪语句de对应的原因语句。

全文数据：

权利要求：

百度查询： 华中师范大学 一种基于深度学习的情绪原因识别方法及系统