公开(公告)号：CN114385802A

公开(公告)日：2022-04-22

申请号：CN202210019847.9

申请日：2022-01-10

Applicant: 重庆邮电大学

Inventor： 唐宏 ,  彭金枝 ,  郭艳霞 ,  刘杰

IPC: G06F16/332 ,  G06F16/33 ,  G06F40/216 ,  G06F40/35 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及自然语言处理、深度学习、文本情感分析、对话生成领域，特别涉及一种融合主题预测和情感推理的共情对话生成方法，包括构建融合主题预测和情感推理的共情对话生成模型，该模型包括主题预测模块、情感推理模块以及对话生成模块，利用主题预测模块进行受上下文控制的对话主题预测，得到预测的主题；使用情感推理模块预测上下文情感标签和进行情感原因词识别，得到相应的情感信息；将获得主题信息和情感信息输入到对话生成模块中，得到与用户情感共鸣的共情回复；本发明有效地利用上下文控制主题的预测，准确地预测出上下文情感标签和识别情感原因相关的词，从而提升了模型生成的回复在情感上的共情性、主题上的一致性和内容上的相关性。

公开(公告)号：CN115795010A

公开(公告)日：2023-03-14

申请号：CN202211518984.3

申请日：2022-11-30

Applicant: 重庆邮电大学

Inventor： 唐宏 ,  彭金枝 ,  杨浩澜 ,  郭艳霞

IPC: G06F16/332 ,  G06F16/35 ,  G06F40/242 ,  G06N3/048 ,  G06N3/047 ,  G06N3/084

Abstract: 本发明涉及自然语言处理领域，特别涉及一种外部知识辅助的多因素层次建模共情对话生成方法，包括构建利用外部知识辅助情感分析和层次建模共情表达相关因素的共情对话生成模型，包括外部知识辅助情感分析模块、多因素层次建模模块以及对话生成模块；利用外部知识辅助情感分析模块将外部知识与对话历史结合，构建情感上下文图，从情感上下文图中学习情感上下文表征，提取情感信号；利用多因素层次建模模块将沟通机制、对话行为以及对话情感等共情表达相关因素进行层次建模，得到共情表达多因素融合嵌入；将获得情感信号和多因素融合嵌入应用于共情对话生成模块中，得到情感合适的共情回复；本发明有效地提高了对话模型生成的回复的共情性和相关性。

公开(公告)号：CN115757795A

公开(公告)日：2023-03-07

申请号：CN202211519636.8

申请日：2022-11-30

Applicant: 重庆邮电大学

Inventor： 唐宏 ,  刘杰 ,  甘陈敏 ,  彭金枝 ,  孙锐

IPC: G06F16/35 ,  G06F40/30 ,  G06F18/214 ,  G06N3/048 ,  G06N3/047 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/08 ,  G06N3/096

Abstract: 本发明属于自然语言处理与多标签文本分类领域，特别涉及一种基于长尾问题的多标签文本分类方法，包括对头部标签和尾部标签进行文本语义提取，分别获得头部标签文本表示和尾部标签文本表示并进行采样，得到头部标签原型和尾部标签原型；利用头部标签文本表示训练得到头部标签分类器，通过最小化头部标签分类器的损失函数，得到头部标签权重；将头部标签原型映射到头部标签权重上，通过最小化迁移学习获取转移权重；根据转移权重对头部标签权重进行转移，得到尾部标签分类器；将尾部标签分类器和头部标签分类器进行融合，得到分类模块；将待分类数据的文本表示输入分类模块，得到分类结果；本发明提升多标签文本分类的准确率和归一化折损累计增益。

公开(公告)号：CN114511906A

公开(公告)日：2022-05-17

申请号：CN202210067242.7

申请日：2022-01-20

Applicant: 重庆邮电大学

Inventor： 郭艳霞 ,  唐宏 ,  金勇 ,  彭金枝

IPC: G06V40/16 ,  G06V20/40 ,  G06N3/04 ,  G06K9/62 ,  G10L25/03 ,  G10L25/30 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明涉及自然语言处理、深度学习、多模态情感分析领域，涉及一种基于跨模态动态卷积的视频多模态情感识别方法、装置及计算机设备，所述方法包括使用ERNIE2.0预训练模型、DCCN、ResNet‑152和胶囊网络分别对文本、音频、图像提取出单模态低级特征；使用词对齐对三个模态特征进行对齐；采用双向GRU对上述特征进行处理，得到各模态高级特征；利用跨模态动态卷积对三个模态特征进行交互；拼接各个模态的跨模态交互特征和高级特征，并利用多头注意力机制融合；最后输入到softmax函数中得到情感识别结果；本发明很好的融合了各单模态特征，有效挖掘视频中所表达的情感信息，从而提升了多模态情感识别的准确率及效率。

公开(公告)号：CN114398488A

公开(公告)日：2022-04-26

申请号：CN202210047500.5

申请日：2022-01-17

Applicant: 重庆邮电大学

Inventor： 唐宏 ,  刘杰 ,  甘陈敏 ,  彭金枝 ,  刘蓓明

IPC: G06F16/35 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于自然语言处理与多标签文本分类领域，特别涉及一种基于注意力机制的BILSTM多标签文本分类方法；包括将文本数据和标签数据分别通过bert和Word2vec进行词嵌入；采用BILSTM模块分别提取词嵌入后的文本数据与标签数据的上下文信息，得到文本表示和标签表示；通过注意力机制模块得到基于标签的文本表示；通过损失函数训练多标签文本分类模型；将实时数据输入训练好的多标签文本分类模型，得到实时数据的标签分类预测结果；本发明利用Bert进行词嵌入，运用BILSTM进行上下文依赖关系的提取，充分利用文本和文本、文本和标签以及标签和标签的信息，从而提升了多标签文本分类的准确率和归一化折损累计增益。