-
公开(公告)号：CN110162625A
公开(公告)日：2019-08-23
申请号：CN201910315886.1
申请日：2019-04-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于句内词对关系和上下文用户特征的反讽检测方法。本发明用自注意力机制(也称内部注意力机制)去分析文本中情感极性矛盾的词对。通过学习并融合用户的书写风格特征和性格特征得到用户嵌入(user embeddings)，作为反讽检测的上下文信息。同时结合LSTM网络编码文本的序列信息。这种方法能够更好的检测反讽表达，在反讽表达明显或者隐晦的情况下都可以取得不错的准确率。其中具体发明的基于句内词对关系和上下文用户特征的反讽检测模型。本发明为反讽检测提供判别依据，有利于判别没有明显矛盾词对的反讽文本。从这两个角度提高了反讽检测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN108108433A
公开(公告)日：2018-06-01
申请号：CN201711371875.2
申请日：2017-12-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于规则和神经网络融合的情感分析方法。本发明步骤如下：步骤1、获取关于目标对象一定数量的结构化评论组成待分析的语料库，根据权威机构提供的情感本体库，结合语料库通过语义分析泛化得到情感本体库，情感本体库包含情感极限和情感程度；步骤2、对情感词匹配和情感词关系预处理，将语料库进行分词、文本分析、匹配本体库和评论句子中情感词，标注情感词的情感信息以及上下文对应的依存关系。其中，情感信息包含词的情感强度、情感极性和情感词词性；步骤3、情感计算、特征融合和情感倾向判断。本发明能更精确的根据上下文进行情感分类。
-
公开(公告)号：CN110096587B
公开(公告)日：2020-07-07
申请号：CN201910026957.6
申请日：2019-01-11
Applicant: 杭州电子科技大学
IPC: G06F16/35 , G06F40/205 , G06F40/289
Abstract: 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。
-
公开(公告)号：CN110162625B
公开(公告)日：2020-01-14
申请号：CN201910315886.1
申请日：2019-04-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于句内词对关系和上下文用户特征的反讽检测方法。本发明用自注意力机制(也称内部注意力机制)去分析文本中情感极性矛盾的词对。通过学习并融合用户的书写风格特征和性格特征得到用户嵌入(user embeddings)，作为反讽检测的上下文信息。同时结合LSTM网络编码文本的序列信息。这种方法能够更好的检测反讽表达，在反讽表达明显或者隐晦的情况下都可以取得不错的准确率。其中具体发明的基于句内词对关系和上下文用户特征的反讽检测模型。本发明为反讽检测提供判别依据，有利于判别没有明显矛盾词对的反讽文本。从这两个角度提高了反讽检测的准确率。
-
公开(公告)号：CN110096587A
公开(公告)日：2019-08-06
申请号：CN201910026957.6
申请日：2019-01-11
Applicant: 杭州电子科技大学
Abstract: 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。
-
公开(公告)号：CN108052967A
公开(公告)日：2018-05-18
申请号：CN201711293888.2
申请日：2017-12-08
Applicant: 杭州电子科技大学
CPC classification number: G06K9/6256 , G06N3/0454
Abstract: 本发明公开了一种基于迁移学习的白血细胞多分类识别方法。本发明步骤如下：步骤1：建立三分类模型的训练数据集和测试数据集，N分类模型的训练数据集和测试数据集；步骤2：构建三分类深度卷积神经网络架构；步骤3：三分类训练集来训练DCNN3网络，使得该网络拟合；使用三分类测试集来测试DCNN3网络模型，选取测试最好的DCNN3网络模型中所有特征提取层参数；步骤4：构造N分类深度卷积神经网络架构；步骤5：将DCNN40中特征提取单元中所有参数初始化为步骤3中所提取出参数值，使用N分类训练集训练；再使用N分类测试集验证训练之后的模型效果，提取准确率最佳的DCNN40模型。本发明在白血病细胞识别分类领域具有比较高的准确率。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
