[发明专利]一种基于CPC-ANN的文本情绪原因识别方法

权利要求书

1.一种基于CPC-ANN的文本情绪原因识别方法，其特征在于，CPC-ANN模型主要分为五层：嵌入层、Bi-LSTM层、Transformer层、注意力层以及CNN输出层，所述方法应用于文本情绪原因识别，包括以下步骤：

S1、相对位置嵌入层，获取已标注原因子句和情绪子句的语料文本，得到文本每个子句的相对位置，再将子句转化为词嵌入矩阵，然后将相对位置嵌入到文本子句的每个词向量中；

S2、Bi-LSTM层，使用Bi-LSTM分别对每个输入的文本子句进行编码，得到融合词上下文的子句向量；

S3、Transformer层，使用Transformer分别对每个输入的文本子句进行编码，得到融合深层语义特征的子句向量；

S4、注意力层，将候选原因子句与其上下文子句融合，用注意力机制捕捉融合后的候选原因子句与情绪子句间的语义关系；

S5、CNN输出层，使用CNN对经注意力计算后的候选原因子句和情绪子句进行卷积，最大池化操作，抽取局部最大语义信息；然后将卷积后的候选原因子句和情绪子句拼接，通过线性分类器softmax分类，来判断该候选原因子句是否是文本情绪原因。

2.根据权利要求1所述的一种基于CPC-ANN的文本情绪原因识别方法，其特征在于：所述S1中，给定一个包含情绪和情绪原因的文本D＝{c₁,c₂,...,c_k}，该文本由k个子句组成，假设文本中包含唯一一个情绪子句c_e和至少一个对应的情绪原因子句c_a，子句c_i＝{w₁,w₂,...,w_n}由n个词组成；对于文本的子句c_i，1≤i≤k，首先通过Word2vec将每个单词w_t，1≤t≤n，映射到一个d维向量u_t∈R^d，并计算出子句c_i相对于情绪子句c_e的相对位置P_i；为了增强相对位置信息的作用，将子句的相对位置信息通过相加的方式嵌入到子句的每个词向量中，其如公式(1)所示：

x_t＝u_t+p_i (1)

因此，子句c_i表示为一个特征映射X_i＝{x₁,x₂,...,x_n}；将情绪子句c_e和情绪候选原因子句c_a的特征映射分别记为X_e＝{x_1e,x_2e,...,x_ne}和X_a＝{x_1a,x_2a,...,x_na}；

在将原始输入序列c_i转化为输入向量矩阵X_i后，因为原始的输入数据是长短不一的文本子句，每个序列c_i中含有的词语个数也不尽相同；为此，对训练语料中的原始输入序列长度进行统计，将所有输入序列用占位符补充至最大长度，将统一长度的输入序列输入到模型中。