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：江西师范大学

摘要：本发明公开了一种融合情感分布的多标签表情符号预测方法，包括如下步骤：利用BERT模型抽取文本的语义信息，使用多层图卷积网络构建融合表情符号情感分布和共现模式信息的表情符号嵌入表示，最后利用表情符号嵌入注意力机制将文本语义表示与表情符号嵌入表示矩阵融合，并进行表情符号预测；本发明基于与情绪直接关联的表情符号情感分布表示，构建预训练的表情符号情感分布知识库；在此基础上，提出一种表情符号共现模式相似度矩阵来度量表情符号之间的相关性，再利用多层图卷积网络将表情符号情感分布增强为包含共现模式信息的表情符号嵌入表示，使表情符号嵌入表示包含更多具区分度的情绪信息，从而提高表情符号预测的准确性。

主权项：1.一种融合情感分布的多标签表情符号预测方法，其特征在于，包括如下步骤：步骤S1：构建表情符号数据集，表情符号数据集内包含若干条推文，每条推文至少包含一个表情标签符号；按8:1:1的比例划分表情符号数据集为训练集：验证集：测试集；步骤S2：对表情符号数据集进行定义；设表情符号数据集为，其中，表示文本即表情符号数据集内的推文，表示文本的表情符号标签，第个文本即表情符号数据集内的推文表示为，第个文本的表情符号标签表示为；其中，表示文本中第个单词；为表情符号标签的数量；步骤S3：构建多标签表情符号预测模型EIFEP；所述多标签表情符号预测模型EIFEP由文本语义模块、表情符号信息模块和信息融合预测模块组成；所述文本语义模块采用预训练BERT模型；表情符号信息模块采用多层图卷积网络；信息融合预测模块由表情符号嵌入注意力机制和全连接层组成；步骤S4：将输入至预训练BERT模型中，输出文本语义表示；步骤S5：从预训练的表情符号情感分布知识库中抽取与Mu-Emoji表情符号数据集中对应的30个表情符号标签的情感分布表示作为表情符号嵌入表示，获得与目标情绪直接关联的表情符号情感分布表示；利用表情符号共现矩阵得到联合概率相似度矩阵，再对表情符号的联合概率向量即联合概率相似度矩阵的行向量两两之间计算皮尔逊相关系数，得到表情符号共现模式相似度矩阵；将与目标情绪直接关联的表情符号情感分布表示和表情符号共现模式相似度矩阵分别输入表情符号信息模块，使用多层图卷积网络融合与目标情绪直接关联的表情符号情感分布表示和表情符号共现模式相似度矩阵，采用表情符号嵌入表示组成表情符号嵌入表示矩阵，根据计算的表情符号共现模式相似度矩阵，采用多层图卷积网络对表情符号嵌入表示矩阵进行更新；步骤S6：将文本语义表示和表情符号嵌入表示输入至信息融合预测模块中，利用表情符号嵌入注意力机制将文本语义表示和表情符号嵌入表示进行交互，获得基于文本语义表示联系的表情符号向量表示，最后将表情符号向量表示与文本语义表示结合，实现多标签表情符号预测；步骤S5的具体过程为：通过联合概率的形式对表情符号的共现规律进行建模，即来表示第个表情符号和第个表情符号共同出现的概率；通过统计数据集中表情符号对共同出现的次数，得到表情符号共现矩阵，和的共现次数表示为，表示实数集；利用表情符号共现矩阵得到联合概率相似度矩阵表示为： ；式中，表示训练集内推文数，表示和共同出现的概率；对表情符号的联合概率向量即联合概率相似度矩阵的行向量两两之间计算皮尔逊相关系数，得到表情符号共现模式相似度矩阵，表示为： ；式中，表示和之间共现模式的相似度；表示表情符号标签的类别数范围；表示联合概率相似度矩阵中第行第列的值；表示联合概率相似度矩阵中第行的平均值；表示联合概率相似度矩阵中第行第列的值；表示联合概率相似度矩阵中第行的平均值；将与目标情绪直接关联的表情符号情感分布表示作为表情符号嵌入表示，采用表情符号嵌入表示组成表情符号嵌入表示矩阵，根据计算的表情符号共现模式相似度矩阵，采用多层图卷积网络将表情符号嵌入表示矩阵更新为，其中，表示多层图卷积网络的第层；表示多层图卷积网络第层输出的表情符号嵌入表示维度；表示多层图卷积网络第层输出的表情符号嵌入表示维度；具体过程表示为： ；式中，表示多层图卷积网络学习的映射关系；所述表示为： ；式中，是多层图卷积网络第层的权重矩阵，是归一化后的表情符号共现模式相似度矩阵，表示非线性运算，使用的是LeakyReLU函数。

全文数据：

权利要求：

百度查询： 江西师范大学 一种融合情感分布的多标签表情符号预测方法