公开(公告)号：CN110083684A

公开(公告)日：2019-08-02

申请号：CN201910333302.3

申请日：2019-04-24

Applicant: 吉林大学

Inventor： 王英 ,  孙玉东 ,  王鑫 ,  李畅 ,  于尤婧 ,  孙小婉 ,  凌云志 ,  马涪元

IPC: G06F16/33 ,  G06F16/335 ,  G06F16/36 ,  G06Q30/02

Abstract: 本发明所要解决的技术问题是克服了现有基于矩阵分解原理进行推荐技术存在的解释性能不高、计算复杂、信息挖掘利用程度低等问题，提出一种面向细粒度情感的可解释推荐模型。该方法步骤为：1由原始评论文本的解析和预处理模块实现原始特征的提取；2由互信息矩阵构建模块实现多信息的高效融合；3由联合分解模块初始化因子矩阵进行多矩阵的约束优化求解；4由推荐及预测模块实现信息的高效重构进而生成最终的推荐结果以及解释信息。

公开(公告)号：CN110046671A

公开(公告)日：2019-07-23

申请号：CN201910333548.0

申请日：2019-04-24

Applicant: 吉林大学

Inventor： 王英 ,  于尤婧 ,  王鑫 ,  孙小婉 ,  孙玉东 ,  凌云志 ,  马涪元

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于胶囊网络的文本分类方法，旨在克服现有技术存在的整体精准度不高、适用性不强、特征提取过程中丢失大量重要信息以及对文本中局部与整体之间关系的忽视等问题，该方法的步骤为：1.胶囊网络中的节点是由一组神经元组成的胶囊，使用矩阵胶囊对输入执行复杂的内部计算，结果以矩阵的形式输出实例化参数，同时输出每个胶囊的激活值；2.通过EM路由算法在胶囊网络中相邻两层之间进行计算，通过高斯聚类(Gaussian cluster)表示更高维的概念，每个激活胶囊通过迭代路由过程选择下一层的胶囊作为父节点，从而在相邻两层网络之间实现链接预测；3.训练全连接层的权重参数，使用softmax激活函数计算真实标签的预测概率。

公开(公告)号：CN110083684B

公开(公告)日：2021-11-19

申请号：CN201910333302.3

申请日：2019-04-24

Applicant: 吉林大学

Inventor： 王英 ,  孙玉东 ,  王鑫 ,  李畅 ,  于尤婧 ,  孙小婉 ,  凌云志 ,  马涪元

IPC: G06F16/33 ,  G06F16/335 ,  G06F16/36 ,  G06Q30/02

Abstract: 本发明所要解决的技术问题是克服了现有基于矩阵分解原理进行推荐技术存在的解释性能不高、计算复杂、信息挖掘利用程度低等问题，提出一种面向细粒度情感的可解释推荐模型。该方法步骤为：1由原始评论文本的解析和预处理模块实现原始特征的提取；2由互信息矩阵构建模块实现多信息的高效融合；3由联合分解模块初始化因子矩阵进行多矩阵的约束优化求解；4由推荐及预测模块实现信息的高效重构进而生成最终的推荐结果以及解释信息。

公开(公告)号：CN109948165B

公开(公告)日：2023-04-25

申请号：CN201910333298.0

申请日：2019-04-24

Applicant: 吉林大学

Inventor： 王英 ,  孙小婉 ,  王鑫 ,  孙玉东 ,  于尤婧 ,  凌云志 ,  马涪元

IPC: G06F40/284 ,  G06F40/211 ,  G06F17/16 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/044 ,  G06N3/047 ,  G06N3/084

Abstract: 本发明公开了一种基于混合注意力网络的细粒度情感极性预测方法，旨在克服现有技术存在灵活性缺失、精度不足、难以获取全局结构信息、训练速度慢和注意力信息单一等问题。该方法的步骤为：1.根据评论文本句子确定文本上下文序列和特定方面目标词序列；2.通过glove词嵌入将序列映射成为两个多维的连续词向量矩阵；3.将两矩阵经过多次不同线性变换，得到相应的变换矩阵；4.使用变换矩阵计算文本上下文自注意力矩阵与特定方面目标词向量注意力矩阵，并将两矩阵拼接得到双注意力矩阵；5.对不同次线性变化后的双注意力矩阵进行拼接，然后再次进行线性变化得到最终注意力表示矩阵；6.通过平均池化操作，经过全连接层厚输入到softmax分类器中得到情感极性预测结果。

公开(公告)号：CN109948165A

公开(公告)日：2019-06-28

申请号：CN201910333298.0

申请日：2019-04-24

Applicant: 吉林大学

Inventor： 王英 ,  孙小婉 ,  王鑫 ,  孙玉东 ,  于尤婧 ,  凌云志 ,  马涪元

IPC: G06F17/27

Abstract: 本发明公开了一种基于混合注意力网络的细粒度情感极性预测方法，旨在克服现有技术存在灵活性缺失、精度不足、难以获取全局结构信息、训练速度慢和注意力信息单一等问题。该方法的步骤为：1.根据评论文本句子确定文本上下文序列和特定方面目标词序列；2.通过glove词嵌入将序列映射成为两个多维的连续词向量矩阵；3.将两矩阵经过多次不同线性变换，得到相应的变换矩阵；4.使用变换矩阵计算文本上下文自注意力矩阵与特定方面目标词向量注意力矩阵，并将两矩阵拼接得到双注意力矩阵；5.对不同次线性变化后的双注意力矩阵进行拼接，然后再次进行线性变化得到最终注意力表示矩阵；6.通过平均池化操作，经过全连接层厚输入到softmax分类器中得到情感极性预测结果。