申请/专利权人:湖北工业大学
申请日:2022-04-29
公开(公告)日:2024-06-21
公开(公告)号:CN114722723B
主分类号:G06F30/27
分类号:G06F30/27;G06F119/02
优先权:
专利状态码:有效-授权
法律状态:2024.06.21#授权;2022.07.26#实质审查的生效;2022.07.08#公开
摘要:本发明提供了一种基于核极限学习机优化的情感倾向预测方法及设备。所述方法包括:步骤1至步骤8。本发明可以集合多目标场景进行多目标优化,将多目标优化问题通过目标约简形成一个双目标的优化问题,利用海鸥优化算法的寻优能力和较快的收敛速度并结合多目标优化策略,可以得到最优的核极限学习机参数组合,建立预测模型能提高情感倾向预测准确率。
主权项:1.一种基于核极限学习机优化的情感倾向预测方法,其特征在于,包括:步骤1:对情感倾向预测数据集进行处理,包括数据清洗、数据集成、数据转换和词性标注,构建词云图,了解词义以及词性的分布,并对数据集进行切分;步骤2:核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限学习机模型;步骤3:确定多目标函数以及核极限学习机优化参数,包括初始权值和阈值;步骤4:定义多目标优化策略,寻找目标子集,目标子集尽可能少的保留或改变原问题的帕累托集优势结构;步骤5:利用海鸥优化算法寻找帕累托解;步骤6:判断当前的迭代次数是否达到最大迭代次数Max_iter,若达到则输出多目标优化核极限学习机的最优参数组合;若未达到,则返回步骤5继续进行迭代;步骤7:根据得到的核极限学习机的最佳参数集合建立情感倾向预测模型,采用训练数据集对情感倾向预测模型进行训练建模;步骤8:采用测试集对训练好的情感倾向预测模型进行测试,验证情感倾向预测模型的有效性;所述核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极限学习机模型,包括核极限学习机的激活函数:hx=kxi,xj其中,kxi,xj为Line_kernel、RBF_kernel、Poly_kernel或Sigmoid_kernel类型,hx为核极限学习机模型的激活函数;所述核极限学习机将核学习理论与极限学习机的优化方法结合起来构建核极有学习机模型,包括核极限学习机模型: 其中,H为隐含层矩阵,HT为隐含层矩阵的广义逆,T为预测目标向量,为对称矩阵中对角上的元素与偏置量的和,C为随机系数;步骤4中的目标子集尽可能少的保留或改变原问题的帕累托集优势结构,包括:定义一个外部存档用于存储最优非支配帕累托解,确定是否将一个解归为最优非支配帕累托解;最近邻的启发式算法以与当前个体距离最近的个体为下一个体;目标函数包括: 其中,fijμ代表个体i到个体j之间的距离,μ代表权重系数,对搜寻距离和时间进行平衡,代表转置矩阵,dij表示i和j两点之间的距离,V代表目标空间。
全文数据:
权利要求:
百度查询: 湖北工业大学 基于核极限学习机优化的情感倾向预测方法及设备
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。