-
公开(公告)号：CN111914085A
公开(公告)日：2020-11-10
申请号：CN202010560649.4
申请日：2020-06-18
Applicant: 华南理工大学
Abstract: 本发明公开了一种文本细粒度情感分类方法、系统、装置及存储介质，其中方法包括以下步骤：获取目标文本和属性词，对目标文本和属性词进行预处理，获得序列对；将序列对输入XLNet模型进行学习，并输出属性相关的词向量语义序列和全局特征表示；采用胶囊网络对词向量语义序列进行学习，获得包含局部特征及空间层次关系的局部特征表示；将全局特征表示和局部特征表示进行合并，获得目标文本的最终语义表示，根据最终语义表示对情感类别进行预测。本发明通过充分结合XLNet学习大规模文本的语义知识方面的优势，以及胶囊网络在学习文本序列的局部信息和空间结构信息方面的优势，提高情感分类的准确率，可广泛应用于自然语言处理领域。
-
公开(公告)号：CN112163429B
公开(公告)日：2023-08-29
申请号：CN202011031042.3
申请日：2020-09-27
Applicant: 华南理工大学
IPC: G06F40/30 , G06F40/211 , G06N3/0464 , G06N3/044 , G06N3/048 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种结合循环网络及BERT的句子相关度获取方法、系统及介质，其中方法包括：对待识别的两个句子进行分词，将句子合并成一个句子对，合并各个单词的位置词向量、单词词向量信息及分段信息作为BERT层的输入；通过BERT层学习句子及句子之间的上下文信息和关系，输出词向量语义序列和全局特征表示；对词向量语义序列进行学习，获得包含目标文本的局部特征表示；利用串联对句子的全局特征表示和局部特征表示进行合并，获得最终语义表示，根据最终语义表示对句子的相关度进行判断，并输出判断结果。本发明利用BERT学习句子间的上下文信息后，提取句子的局部信息，提高了句子相关度判别的精准度，可广泛应用于自然语言处理领域。
-
公开(公告)号：CN111914085B
公开(公告)日：2024-04-23
申请号：CN202010560649.4
申请日：2020-06-18
Applicant: 华南理工大学
IPC: G06F16/35 , G06F40/30 , G06F18/2415
Abstract: 本发明公开了一种文本细粒度情感分类方法、系统、装置及存储介质，其中方法包括以下步骤：获取目标文本和属性词，对目标文本和属性词进行预处理，获得序列对；将序列对输入XLNet模型进行学习，并输出属性相关的词向量语义序列和全局特征表示；采用胶囊网络对词向量语义序列进行学习，获得包含局部特征及空间层次关系的局部特征表示；将全局特征表示和局部特征表示进行合并，获得目标文本的最终语义表示，根据最终语义表示对情感类别进行预测。本发明通过充分结合XLNet学习大规模文本的语义知识方面的优势，以及胶囊网络在学习文本序列的局部信息和空间结构信息方面的优势，提高情感分类的准确率，可广泛应用于自然语言处理领域。
-
公开(公告)号：CN112163429A
公开(公告)日：2021-01-01
申请号：CN202011031042.3
申请日：2020-09-27
Applicant: 华南理工大学
IPC: G06F40/30 , G06F40/211 , G06N3/04
Abstract: 本发明公开了一种结合循环网络及BERT的句子相关度获取方法、系统及介质，其中方法包括：对待识别的两个句子进行分词，将句子合并成一个句子对，合并各个单词的位置词向量、单词词向量信息及分段信息作为BERT层的输入；通过BERT层学习句子及句子之间的上下文信息和关系，输出词向量语义序列和全局特征表示；对词向量语义序列进行学习，获得包含目标文本的局部特征表示；利用串联对句子的全局特征表示和局部特征表示进行合并，获得最终语义表示，根据最终语义表示对句子的相关度进行判断，并输出判断结果。本发明利用BERT学习句子间的上下文信息后，提取句子的局部信息，提高了句子相关度判别的精准度，可广泛应用于自然语言处理领域。
-
-
-
Search Results
4
records
(took 0.021 seconds)
