专利交易市场

本发明公开了基于注意力机制的LSTM‑CNN词嵌入的细粒度情感分类模型。本发明用一般的LSTM提取到的特征与指定角度的相关性不大导致情感分类准确率降低的问题。本发明采用的技术方案是，将CNN与LSTM进行结合，同时利用CNN识别局部特征的能力和LSTM利用文本序列的能力，用LSTM获取句子表示，将LSTM的输出馈送给CNN作为输入。通过CNN的卷积池化操作对LSTM提取到的特征进行选择，再引入注意力机制去重点关注句中与指定方面关联程度较高的信息，最后得到句子的预测极性。同时，为了提升分类的效率，本发明在模型中输入了指定角度的词嵌入向量，提高了分类准确率。

本发明提出了一种结合中文句法和图卷积神经网络的情感分类方法，包括以下步骤：S1，获取社交网络文本，将获取的社交网络文本作为待处理文本，对待处理文本进行预处理；S2，学习句子及属性子句的上下文信息，得到相应的特征表示；S3，根据获取的给定文本的依存关系及语法信息，生成句子的语义树；S4，根据嵌入了特征向量的依赖树，利用图卷积网络生成给定文本的情感特征表示；S5，利用Softmax分类器构造每个情绪标记的条件概率分布，并输出文本的最终情感标签。本发明能够对获取的社交网络文本情感进行分类，为社交网络平台中的短文本提供更细致、更深入的情感分析。

本发明具体涉及基于增强语义句法信息的方面级情感分类方法，包括：获取待测文本并输入经过预先训练的情感分类模型中，输出对应的分类预测结果；情感分类模型首先通过BERT预训练模型调整待测文本的词向量表示生成初级上下文表示；然后通过图注意力层提取上下文句法信息生成次级上下文表示；进一步更新词向量生成初级词嵌入表示和次级词嵌入表示，并平均池化生成粗粒度表示；再将初级上下文表示和次级上下文表示中的方面词最大池化作为细粒度表示；进而融合粗粒度表示以及细粒度表示中相同的粒度信息生成多粒度融合信息；最后通过分类器基于多粒度融合信息进行情感分类，得到分类预测结果。本发明能够有效克服噪音影响并能够增强语义句法信息。

本发明公开了一种基于脑电EEG认知对齐知识图谱的文本情感分类方法，先将视频人工解释为文本，抽取实体关系构建知识图谱；利用皮尔逊相关系数构建大脑功能连接矩阵BG,提取脑电频域特征构建特征向量。在BGI模块中，计算捕捉BG之间的拓扑关系，与特征向量进行时空图卷积获得时空向量#imgabs0#过滤#imgabs1#并输入CA模块中。同时#imgabs2#通过GRU获得BGall。设计上界网络P(BG|KG)，将从KG获得分布pθ(AL|KG)，同时从BG'获取分布#imgabs3#获得表征认知对齐的隐变量AL，重构脑图BGrecon并反向引导AL的生成。最后在Fusion模块中，将KGall，#imgabs4#与BGal结合进行情感分类。本发明通过引入生理信号，提高文本情感分类的精度，增强文本分类任务的可解释性。