申请/专利权人：北京智慧星光信息技术有限公司

申请日：2021-08-09

公开（公告）日：2021-11-30

公开（公告）号：CN113722477A

主分类号：G06F16/35(20190101)

分类号：G06F16/35(20190101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.09.19#授权;2021.12.17#实质审查的生效;2021.11.30#公开

摘要：本发明公开了一种基于多任务学习的网民情绪识别方法、系统及电子设备，该方法包括：将每一个训练文本的文字信息、表情符号信息和原文信息进行向量化得到文字向量、表情符号向量和原文向量；将上述三个向量分别输入到共享模型中得到文字特征矩阵、表情符号特征矩阵和原文特征矩阵；将这三个矩阵分别通过softmax计算生成文字概率值、表情符号概率值以及原文概率值；根据这三个概率值和真实值之间的误差计算得到总损失函数，根据总损失函数更新模型参数，根据测试集进行验证得到最大acc和f1值对应的模型，并将该模型作为最优情绪识别模型；将待识别文本输入最优情绪识别模型得到情绪预测类别。通过三种不同学习任务得到最优情绪识别模型，提高识别准确度。

主权项：1.一种基于多任务学习的网民情绪识别方法，其特征在于，包括：获取训练集，所述训练集中包括多个训练文本；根据训练集得到每一个训练文本对应的文字信息、表情符号信息以及原文信息；分别对每一个训练文本对应的文字信息、表情符号信息以及原文信息进行向量化处理，得到文字信息对应的文字向量、表情符号信息对应的表情符号向量以及原文信息对应的原文向量；将每一个训练文本的文字信息对应的文字向量、表情符号信息对应的表情符号向量以及原文信息对应的原文向量分别输入到共享模型中，得到每一个训练文本的文字信息对应的文字特征矩阵、表情符号信息对应的表情符号特征矩阵以及原文信息对应的原文特征矩阵；所述共享模型包括bi-lstm和attention模型；分别将每一个训练文本的文字信息对应的文字特征矩阵、表情符号信息对应的表情符号特征矩阵以及原文信息对应的原文特征矩阵通过softmax计算生成每一个训练文本的文字信息对应的文字概率值、表情符号信息对应的表情符号概率值以及原文信息对应的原文概率值；分别根据每一个训练文本对应的文字概率值、表情符号概率值、原文概率值、文字真实值、表情符号真实值和原文真实值得到每一个训练文本对应的总损失函数值；根据每一个训练文本的总损失函数值进行误差反向传播更新模型参数得到多个情绪识别模型；获取测试集，所述测试集中包括多个测试文本；将多个测试文本分别输入到每一个情绪识别模型中，得到每一个情绪识别模型对应的acc和f1值；将最大acc和f1值对应的模型作为最优情绪识别模型；获取待识别文本；将待识别文本输入至最优情绪识别模型得到待识别文本对应的情绪预测类别，将所述情绪预测类别对应的情绪作为待识别文本对应的情绪。

全文数据：

权利要求：

百度查询： 北京智慧星光信息技术有限公司 基于多任务学习的网民情绪识别方法、系统及电子设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD