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：湘江实验室

摘要：本发明公开了一种情感识别模型训练方法、情感识别方法及相关设备，包括：对样本文本进行句法依存解析，得到第一超图；基于第一超图，使用异构边聚合算子在表示方面隶属度的超边和表示依存类型的树边两种异构边上同时聚合，得到节点模糊情感特征；针对每个节点，将每个单词与邻域聚合，得到词向量，并将词向量和节点模糊情感特征经过初始情感识别模型的卷积核，生成对应的情感极性的模糊表示，其中，初始情感识别模型为图卷积神经网络；将至少两个初始情感识别模型的卷积层进行堆叠，使用最小二乘估计‑梯度下降混合学习算法对网络参数进行更新，直到达到预设条件，得到目标情感识别模型。采用本发明提高了情感分析的准确性。

主权项：1.一种情感识别模型训练方法，其特征在于，包括：对样本文本进行句法依存解析，得到第一超图，其中，所述样本文本包括至少两个相连句子，表示全部单词的词向量，是单词的总数量，是词向量的维度，，表示节点与超边之间关联关系的邻接矩阵，A中的元素表示第个单词的词向量对第个类别的关联程度，是样本文本中所包含的类别的总数量，是依存矩阵，元素是第个单词和第个单词之间的依存类型的词向量；基于所述第一超图，使用异构边聚合算子在表示方面隶属度的超边和表示依存类型的树边两种异构边上同时聚合，得到节点模糊情感特征；针对每个节点，将每个单词与邻域聚合，得到词向量，并将所述词向量和所述节点模糊情感特征经过初始情感识别模型的卷积核，生成对应的情感极性的模糊表示，其中，所述初始情感识别模型为图卷积神经网络；将至少两个初始情感识别模型的卷积层进行堆叠，使用最小二乘估计-梯度下降混合学习算法对网络参数进行更新，直到达到预设条件，得到目标情感识别模型；其中，所述基于所述第一超图，使用异构边聚合算子在表示方面隶属度的超边和表示依存类型的树边两种异构边上同时聚合，得到节点模糊情感特征包括：构建第一超图的节点度矩阵和超边度矩阵；根据所述节点度矩阵和所述超边度矩阵，确定异构边聚合算子；基于所述异构边聚合算子，对所述第一超图中的超边和树边进行聚合，得到节点模糊情感特征；其中，所述情感识别模型训练方法还包括：所述节点度矩阵定义为： 其中，是依存权重矩阵，表示不同依存类型对情感极性的影响强度，依存矩阵每个元素经过映射层得到，输出是0到1的连续值，是可训练的权重参数矩阵，l表示第l层，diag（）函数用于构造一个对角矩阵，表示第个单词的词向量对第个类别的关联程度；超边的度矩阵定义为： 聚合算子定义如下： 其中，是第层的输入，表示将中每个高维的依存类型嵌入映射为0到1的连续值；使用所述超边的度矩阵和节点度矩阵对聚合算子归一化获得最终聚合公式为： 其中，A为节点度矩阵D和超边的度矩阵B的关联矩阵，为A的倒置矩阵。

全文数据：

权利要求：

百度查询： 湘江实验室 情感识别模型训练方法、情感识别方法及相关设备