買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜河海大學(xué)申請(qǐng)的專利基于最大概率填充和多頭注意力機(jī)制的文本情感識(shí)別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114742047B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-30發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210447939.7，技術(shù)領(lǐng)域涉及：G06F40/284；該發(fā)明授權(quán)基于最大概率填充和多頭注意力機(jī)制的文本情感識(shí)別方法是由戴夢(mèng)瑤;朱李玥;劉文強(qiáng);柏雪嫣;邢莉娟設(shè)計(jì)研發(fā)完成，并于2022-04-26向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于最大概率填充和多頭注意力機(jī)制的文本情感識(shí)別方法在說明書摘要公布了：本發(fā)明公開了一種基于LDA最大概率填充和多頭注意力機(jī)制的文本情感識(shí)別方法，該方法包括以下步驟：1獲取文本數(shù)據(jù)集，進(jìn)行文本預(yù)處理；2通過Word2Vec模型獲取字典和詞向量矩陣；3使用LDA最大概率方法填充詞向量矩陣；4由Text?CNN網(wǎng)絡(luò)卷積操作挖掘文本的局部特征，經(jīng)過多頭注意力機(jī)制進(jìn)行權(quán)重重分配，最后由Softmax得到情感極性的分類概率。本發(fā)明能較好地適應(yīng)長(zhǎng)度靈活的網(wǎng)絡(luò)情感文本的分類任務(wù)，既能充分解決了短文本數(shù)據(jù)稀疏和填充的問題，也能應(yīng)對(duì)長(zhǎng)文本信息提取的困難。

本發(fā)明授權(quán)基于最大概率填充和多頭注意力機(jī)制的文本情感識(shí)別方法在權(quán)利要求書中公布了：1.一種基于LDA最大概率填充和多頭注意力機(jī)制的文本情感分類方法，其特征在于，包括以下步驟：步驟1：獲取文本數(shù)據(jù)集，進(jìn)行文本預(yù)處理；步驟2：按照格式將數(shù)據(jù)集輸入word2vec模型訓(xùn)練詞向量，獲得詞-詞向量映射字典和數(shù)據(jù)集對(duì)應(yīng)的詞向量矩陣A；步驟3：按照格式將數(shù)據(jù)集輸入LDA主題模型，選取最優(yōu)的主題數(shù)參數(shù)值K，得到文本-主題-詞的概率分布；步驟4：以數(shù)據(jù)集中最長(zhǎng)的文本長(zhǎng)度為基準(zhǔn)，使用最大概率主題下的LDA填充方式來填充詞向量矩陣A，得到長(zhǎng)短一致的詞向量矩陣B；步驟5：輸入詞向量矩陣B到Text-CNN模型，提取局部上下文特征；經(jīng)過卷積和池化操作，獲取全局特征向量T；步驟6：使用Multi-HeadAttention模型，以全局特征向量T作為輸入，引入多頭注意力機(jī)制，獲取多個(gè)子空間拼接而成的特征向量G；步驟7：使用全連接網(wǎng)絡(luò)和SoftMax分類器，以特征向量G作為輸入，進(jìn)行分類，得到情感極性的分類概率并輸出；所述步驟4中，以數(shù)據(jù)集中最長(zhǎng)的文本長(zhǎng)度為基準(zhǔn)，使用最大概率主題下的LDA填充方式詞向量矩陣的具體步驟如下：步驟S41：尋找數(shù)據(jù)集中所有文檔中的最長(zhǎng)的文本長(zhǎng)度Lmax，作為詞向量的基準(zhǔn)長(zhǎng)度；步驟S42：為數(shù)據(jù)集中每個(gè)文本長(zhǎng)度L小于Lmax的文檔進(jìn)行填充操作：步驟S43：尋找文檔對(duì)應(yīng)文檔-主題矩陣中的最大概率主題topici，步驟S44：通過topici主題的詞概率分布，依照詞概率從大到小，依次選取前Lmax-L個(gè)單詞；步驟S45：通過步驟3中訓(xùn)練得到的字典將Lmax-L個(gè)單詞詞映射成Lmax-L個(gè)n維詞向量；步驟S46：使用詞向量依次對(duì)詞向量矩陣進(jìn)行填充，直至當(dāng)前文檔的詞向量長(zhǎng)度等于Lmax；步驟S47：重復(fù)S43-S46直至所有的文檔長(zhǎng)度都為L(zhǎng)max；步驟S48：得到了等長(zhǎng)的詞向量矩陣；所述步驟5采用Text-CNN模型，主要的特征是對(duì)輸入文本數(shù)據(jù)進(jìn)行卷積操作；在Text-CNN模型中的具體步驟如下：步驟S51：輸入長(zhǎng)短一致的詞向量矩陣，進(jìn)入卷積層；利用共享的多個(gè)卷積核與感受野做卷積運(yùn)算，提取局部特征，并經(jīng)過激活函數(shù)做非線性運(yùn)算，獲得特征矩陣；步驟S52：特征矩陣經(jīng)過池化層，在最大池化的作用下選出特征矩陣的最大值，跟其他通道的最大值拼接，組合成全局特征向量T。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人河海大學(xué)，其通訊地址為：211100 江蘇省南京市江寧區(qū)佛城西路8號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。