[发明专利]基于概率推理与情感认知的文本细粒度情感生成方法

权利要求书

1.基于概率推理与情感认知的文本细粒度情感生成方法，其特征在于，包括以下步骤：

步骤1：准备训练方法所需的文本数据集，选用七种情感进行文本标注；

步骤2：对文本数据集进行分析、词性标注、依存句法分析、语义依存关系处理；

步骤3：根据情感认知方法OCC方法的情感产生规则，提取构建贝叶斯网络所用的情感评估变量；

步骤4：根据网络文本的特性，添加基于表情符号和词频的情感评估变量；

步骤5：构建情感知识库；

步骤6：构建常识知识库；

步骤7：情感评估变量赋值；根据步骤2得到的数据预处理结果，对步骤3和步骤4提取的情感评估变量进行赋值；

步骤8：学习情感生成贝叶斯网络的网络结构；

步骤9，使用EM方法对情感生成贝叶斯网络进行参数学习；

步骤10：完成情感生成方法的构建工作；输入一条文本，将依次经过步骤2和步骤7处理后的结果输入网络方法，通过比较每类情感的概率值，即可得到文本的情感类别。

2.根据权利要求1所述的文本细粒度情感生成方法，其特征在于：在步骤1中，情感认知方法OCC方法对应情感有22种，分析后选用喜欢、幸福、恐惧、生气、厌恶、悲伤、惊讶共七种情感对文本进行标注；在步骤2中对文本数据集使用哈工大语言云技术平台进行处理；处理后的文本结构定义为S＝{w₁,w₂,…w_N},w_i表示一条文本中的第i个词语对象；词语对象w_i＝＜cont,pos,ne,arg,rel,par,semRel,semPar＞，其中cont表示词语内容；pos代表词性；ne为命名实体信息；arg＝＜type,beg,end＞表示序号从beg至end构成的词组的语义角色类别为type；rel表示依存句法关系，par为关系指向的父节点词序号；semRel表示语义依存关系，semPar为关系指向的父节点词序号。

3.根据权利要求2所述的文本细粒度情感生成方法，其特征在于：步骤3中的情感评估变量如下：

情感评估变量

4.根据权利要求3所述的文本细粒度情感生成方法，其特征在于：所述步骤4中添加基于表情符号的情感评估变量exp、elike、ehappiness、efear、esurprise、eanger、edisgust、esadness,其中exp表示是否有表情符号，其他变量表示对应的情感类型无为1，有为2；添加基于统计词频情感评估变量welike、whappiness、wfear、wsurprise、wanger、wdisgust、wsadness表示对应的情感类型无为1，有为2。

5.根据权利要求4所述的文本细粒度情感生成方法，其特征在于：步骤5中的情感知识库是从HowNet情感极性词典、大连理工大学情感词汇本体库、清华大学极性词典、台湾大学情感词典共个中文情感词典中，归纳整理去除了低频生僻词，得到基础情感极性词典包含正向情感词15630个，负向情感词18807个。

6.根据权利要求5所述的文本细粒度情感生成方法，其特征在于：步骤6中的构建常识知识库是提取HowNet知识库中Entity类作为基础object词典；再使用完整的HowNet知识库，通过分析其概念结构，完善其他常识词典。

7.根据权利要求6所述的文本细粒度情感生成方法，其特征在于：常识知识库具体描述如下：

常识词典具体描述