申请/专利权人：数据空间研究院

申请日：2023-09-25

公开（公告）日：2024-04-12

公开（公告）号：CN117875329A

主分类号：G06F40/30

分类号：G06F40/30;G06F18/214;G06N3/0499

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于提示学习的评论文本情感挖掘方法，其步骤包括：1、评论文本数据预处理；2、构建基于提示学习的文本情感挖掘网络，包括：文本数据表征模块、文本数据特征提取模块、文本情感预测模块；3、基于提示学习的情感挖掘网络的参数优化。本发明在评论文本上利用提示学习的方式，使用了更细维度的特征，即通过使用候选词的特征向量来建立与情感之间的映射关系，使得模型的预测结果更加合理和准确。

主权项：1.一种基于提示学习的评论文本情感挖掘方法，其特征在于，是按如下步骤进行：步骤1、评论文本数据预处理；步骤1.1、收集每条评论文本的情感标签数据，并根据情感标签的类别数目C对每条评论文本的情感标签信息进行独热编码，从而构建情感标签集其中，表示第i条评论文本的情感标签所对应的one-hot编码向量，且表示第i条评论文本的情感标签在第c个类别上的取值；M表示评论文本的数量；步骤1.2、对每条评论文本进行分词，并根据分词结果构建词表V；步骤1.3、构建每条评论文本的提示句，并与原始的评论文本一起构成文本数据集D＝{d1,d2,...,di,...,dM}，di表示第i条评论文本及其提示句；di的长度为L；步骤2、构建基于提示学习的文本情感挖掘网络，包括：文本数据表征模块、文本数据特征提取模块、文本情感预测模块；步骤2.1、构建文本数据表征模块，并将第i条文本di表征为单词嵌入Ei；步骤2.2、构建文本数据特征提取模块，并提取第i条文本di的特征向量fi和候选词的特征向量fi,mask；步骤2.3、构建文本情感预测模块，并通过融合候选词的特征向量进行情感特征的生成，从而预测出的第i条文本di的情感特征yi；步骤3、基于提示学习的情感挖掘网络的参数优化；步骤3.1、利用式11构建情感挖掘网络的损失函数E： 式11中，yi,c表示预测出的情感特征yi中在第c个类别上的预测值；步骤5.2、利用Adam优化算法对所述提示学习的情感挖掘网络进行训练，并计算所述损失函数E以优化网络参数，直至所述损失函数E收敛为止，从而得到最优参数的基于提示学习的文本情感挖掘模型，用于预测每条评论文本对应的情感特征。

全文数据：

权利要求：

百度查询： 数据空间研究院 一种基于提示学习的评论文本情感挖掘方法

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