申请/专利权人:华南理工大学
申请日:2020-12-29
公开(公告)日:2024-04-16
公开(公告)号:CN112732910B
主分类号:G06F16/35
分类号:G06F16/35;G06N3/0455;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2021.05.21#实质审查的生效;2021.04.30#公开
摘要:本发明公开了一种跨任务文本情绪状态评估方法、系统、装置及介质,其中方法包括以下步骤:采用深度双向预训练转换器作为文本情绪状态识别模型的基础模型;对多种不同任务的文本情绪数据库进行格式标准化,采用文本情绪训练样本对文本情绪状态识别模型进行微调和测试,获得最终的文本情绪状态识别模型;将待识别的文本数据进行标准化处理,并输入最终的文本情绪状态识别模型进行识别,输出识别的情绪状态。本发明基于不同文本情绪识别数据的特点和BERT输入的特点设计识别模型,能从多种文本情绪数据库中快速提取出泛化性强、可跨任务的文本情绪特征,有效提高了文本情绪状态识别模型的效果和性能,可广泛应用于自然语言处理技术领域。
主权项:1.一种跨任务文本情绪状态评估方法,其特征在于,包括以下步骤:采用深度双向预训练转换器作为文本情绪状态识别模型的基础模型,将所述基础模型的池化输出分别输入到情绪判别器和子任务判别器;对多种不同任务的文本情绪数据库进行格式标准化,采用格式标准化后的文本情绪训练样本对所述文本情绪状态识别模型进行微调和测试,获得最终的文本情绪状态识别模型;将待识别的文本数据进行标准化处理,并输入所述最终的文本情绪状态识别模型进行识别,输出识别的情绪状态;所述对多种不同任务的文本情绪数据库进行格式标准化,包括:从多个不同任务的文本情绪数据库中抽取两个不同任务的文本情绪数据库,分别作为源域任务文本数据和目标域任务文本数据;将所述源域任务文本数据和所述目标域任务文本数据合并,划分为训练集和测试集;将所有的文本数据进行格式标准化,使不同形式的文本数据具有相同的输入格式;所述所有的文本数据来自四种不同任务的文本情绪数据库,所述四种不同任务分别为GSA、ACSA、ATSA和TABSA,且每种任务的输入特征都不一样;所述将所有的文本数据进行格式标准化,包括:根据所述深度双向预训练转换器的输入形式和所述四种不同任务的特点设计统一的标准化输入范式;所述GSA对应的标准化输入范式为:[CLS]+文本句子+[SEP]+[MASK]+[SEP]+[MSAK];所述ACSA对应的标准化输入范式为:[CLS]+文本句子+[SEP]+Term+[SEP]+[MSAK];所述ATSA对应的标准化输入范式为:[CLS]+文本句子+[SEP]+[MASK]+[SEP]+Category;所述TABSA对应的标准化输入范式为:[CLS]+文本句子+[SEP]+Target+[SEP]+Aspect;其中,[CLS]、[SEP]、[MASK]为深度双向预训练转换器中具有特定作用的符号;所述采用格式标准化后的文本情绪训练样本对所述文本情绪状态识别模型进行微调和测试,包括:输入格式标准化后的所述文本情绪训练样本,通过前向传播计算所述文本情绪状态识别模型的总损失函数,再通过梯度下降算法对所述文本情绪状态识别模型进行微调;对微调后的所述文本情绪状态识别模型输入格式标准化后的文本情绪测试样本,统计情绪识别结果的准确率,实现对模型的测试;结合对抗学习思想设计所述总损失函数,以使所述文本情绪状态识别模型能学会区分输入样本的情绪状态,但无法区分情绪状态来自于所述源域任务文本数据或所述目标域任务文本数据;所述总损失函数的表达式为: 其中,Le为情绪预测损失函数,Lt为任务预测损失函数。
全文数据:
权利要求:
百度查询: 华南理工大学 跨任务文本情绪状态评估方法、系统、装置及介质
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。