[发明专利]情感模型的训练方法、情感分析方法、装置及存储介质

权利要求书

1.一种情感模型的训练方法，其特征在于，所述情感模型包括生成器和情感分类器，所述方法包括：

向所述生成器输入样本数据，输出对应所述样本数据的情感特征；其中，所述样本数据包括文本数据和/或图片数据；

以所述生成器输出的所述情感特征作为判别器的输入、以所述样本数据的数据类型作为所述判别器的输出，训练所述判别器根据输入的情感特征判别相应的数据类型的性能；

以所述生成器输出的所述情感特征作为所述情感分类器的输入、以对应所述情感特征的情感类型作为所述情感分类器的输出，训练所述情感分类器根据输入的情感特征输出对应情感类型的性能；

以所述样本数据作为生成器的输入、以所述情感特征作为所述生成器的输出，以所述判别器输出的数据类型及所述情感分类器输出的情感类型，训练所述生成器根据输入数据输出所述输入数据的情感特征的性能。

2.根据权利要求1所述方法，其特征在于，所述向所述生成器输入样本数据之前，还包括：

获取源数据对应的向量，所述源数据包括图片源数据和/或文本源数据；

对所述源数据对应的向量进行截断处理或填充处理，得到预设数据大小的所述样本数据。

3.根据权利要求1所述方法，其特征在于，所述向所述生成器输入样本数据，输出对应所述样本数据的情感特征，包括：

当输入的所述样本数据为文本数据时，使用所述生成器的神经网络模型得到对应所述文本数据的词向量序列；

使用所述生成器的注意力模型为所述词向量序列中的词向量分配注意力概率；

将所述向量序列中的词向量与分配的所述注意力概率进行加权求和，得到对应所述文本数据的文本向量。

4.根据权利要求1所述方法，其特征在于，所述向所述生成器输入样本数据，输出对应所述样本数据的情感特征，包括：

当输入的所述样本数据为图片数据时，使用所述生成器的神经网络模型得到对应所述图片数据的多个特征向量；

使用所述生成器的注意力模型为多个所述特征向量分配注意力概率；

将各所述特征向量与分配的所述注意力概率进行加权求和，得到对应图片数据的图片向量。

5.根据权利要求1所述方法，其特征在于，所述以所述生成器输出的所述情感特征作为判别器的输入、以所述样本数据的数据类型作为所述判别器的输出，训练所述判别器根据输入的情感特征判别相应的数据类型的性能，包括：

初始化所述判别器包括的第一全连接层和第二全连接层；

构建训练样本集合，所述训练样本集合包括所述生成器输出的所述情感特征及所述样本数据的数据类型；

初始化基于判别器输入、判别器输出以及判别器参数构建的损失函数；

以所述生成器输出的所述情感特征作为判别器的输入、以所述样本数据的数据类型作为所述判别器的输出，训练所述判别器根据输入的情感特征判别相应的数据类型的性能。

6.根据权利要求1所述方法，其特征在于，所述以所述样本数据作为生成器的输入、以所述情感特征作为所述生成器的输出，以所述判别器输出的数据类型及所述情感分类器输出的情感类型，训练所述生成器根据输入数据输出所述输入数据的情感特征的性能，包括：

初始化所述生成器包括的输入层、中间层和输出层；

构建训练样本集合，所述训练样本集合包括样本数据；

初始化基于所述生成器的输入、所述生成器的输出、以及模型训练参数构建的损失函数，所述模型训练参数包括：所述判别器输出的数据类型及所述情感分类器输出的情感类型；所述模型训练参数为用于计算损失函数的预测值；

以所述样本数据作为输入、以所述情感特征作为输出，采用梯度下降算法训练所述生成器根据输入数据输出所述输入数据的情感特征的性能。