[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

说明书

本发明涉及基于概率推理与情感认知的文本细粒度情感生成方法，包括以下步骤：步骤1：准备训练方法所需的文本数据集；步骤2：对文本数据集进行处理；步骤3：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；步骤8：学习情感生成贝叶斯网络的网络结构；步骤9，进行参数学习；步骤10：完成情感生成方法的构建工作。本发明利用情感认知方法解决其他情感生成方法中存在的忽视隐性情感的问题，同时利用贝叶斯网络计算情感产生的概率，比较每种情感类别概率的高低，生成文本包含的一或多种情感。

技术领域

本发明涉及机器学习和自然语言处理文本情感分析领域，具体涉及到情感认知方法以及贝叶斯网络的推理思想领域，尤其涉及基于概率推理与情感认知的文本细粒度情感生成方法。

背景技术

文本情感分析是自然语言处理的一个热门的研究领域，主要是能自动识别用户在文本中所表达的情感类别。情感是是多种感觉、思想和行为综合产生的心理和生理状态，泛指喜欢、厌恶、愤怒、惊讶、自豪等。传统的情感分析主要是识别用户的情感倾向：正向、负向或者中性，情感分析则是细粒度的情感分析任务，可以识别多种情感。情感的生成方法有基于词典和规则的方法、基于机器学习的方法、基于情感认知方法OCC、EMA的方法等。认知评估理论是认知心理学研究中应用广泛和较为成熟的情感分析理论。情感认知方法OCC理论将情感看为对事件的结果、智能体的行为和对象属性的认知评价。该方法通过一系列情感诱发条件定义了22种情感产生规则。

基于词典和规则的方法通常使用大规模、高质量的情感词典，如HowNet情感词典、台湾大学NTUSD简体中文情感词典等。仅依赖词典匹配的方法只能识别出带有情感词的显性情感，对于不包含情感词的文本识别效果不好。基于机器学习的方法常用的主要有支持向量机(Support Vector Machines，SVMs)、卷积神经网络(Convolutional NeuralNetwork，CNN)、长短期记忆网络(Long Short Term Memory networks，LSTM)等。机器学习的方法依赖特征工程或者和所需参数较多，耗时较长，在细粒度的文本情感生成中精度不高。贝叶斯网络(Bayesian Network，BN)又称为信念网络(Belief Network),是一种概率网络，是一组节点的联合概率分布，每一个节点代表一个随机变量，节点间的有向边代表变量间的依赖关系。传统的情感分析方法一般只识别一种情感，但人们通过文本表述的情感往往不是单一的。贝叶斯网络基于概率推理的这种特性正适应于文本情感分析，依据概率推理可识别人们可能想要表达的多种情感类别。

发明内容

针对现有技术的缺陷，本发明提出了基于概率推理与情感认知的文本细粒度情感生成方法，利用情感认知方法解决其他情感生成方法中存在的忽视隐性情感的问题，同时利用贝叶斯网络计算情感产生的概率，提高情感类别生成的准确度。

为实现上述目的，本发明提出基于概率推理与情感认知的文本细粒度情感生成方法，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；