公开(公告)号：CN114692604B

公开(公告)日：2025-02-21

申请号：CN202210398830.9

申请日：2022-04-16

Applicant: 东南大学

Inventor： 杨鹏 ,  张朋辉 ,  刘子健 ,  于晓潭

IPC: G06F40/211 ,  G06F18/241 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的方面级情感分类方法，具体如下，构筑方面级情感分类数据集；将数据集中的方面级特征嵌入到语义空间中；使用基于对抗BERT的编码器进行特征编码；基于线性变换的方面级句子特征压缩层对编码后的结果进行线性变换，使其满足胶囊网络计算的需要；基于胶囊网络的方面级句子特征提取层对压缩后的矩阵进一步的特征提取，捕获方面词与其对应上下文的语义关系；融标签正则化机制的情感分类层依据模型学习到的内容对文本进行方面级情感分类，可用于社交媒体文本的方面级情感分类,本发明基于对句子的方面级特征进行充分地学习，结合对抗训练机制将数据集的效果发挥到最大化，在复杂的场景下仍能表现出良好的效果，具有准确率高、鲁棒性好的特点。

公开(公告)号：CN114896377B

公开(公告)日：2024-11-08

申请号：CN202210360978.3

申请日：2022-04-07

Applicant: 东南大学

Inventor： 杨鹏 ,  刘子健 ,  张朋辉 ,  陈维威

IPC: G06F16/332

Abstract: 本发明公开了一种基于知识图谱的答案获取方法，具体如下：从问题与候选答案中提取相关的关键词信息；在知识图谱中提取从问题当中的关键词到选项当中关键词的路径；将路径输入路径证据聚合器PEF和图证据聚合器GEF当中，分别得到相关的路径证据信息和图证据信息；将题目与选项组合成状态向量并输入文本证据聚合器TEF当中，利用TEF当中的预训练语言模型捕捉文本之间的语义关联，获得知识图谱之外的特征；将以上获得的三种不同来源的证据融合成特征向量并最后得到选择分数。充分利用题目给定的信息，在捕获题目当中单词语义关系的同时，还能利用知识图谱获得相关的证据信息进行答案选择，将结构化和非结构化的证据相结合，推荐准确率高，可解释性好。

公开(公告)号：CN114896377A

公开(公告)日：2022-08-12

申请号：CN202210360978.3

申请日：2022-04-07

Applicant: 东南大学

Inventor： 杨鹏 ,  刘子健 ,  张朋辉 ,  陈维威

IPC: G06F16/332

Abstract: 本发明公开了一种基于知识图谱的答案获取方法，具体如下：从问题与候选答案中提取相关的关键词信息；在知识图谱中提取从问题当中的关键词到选项当中关键词的路径；将路径输入路径证据聚合器PEF和图证据聚合器GEF当中，分别得到相关的路径证据信息和图证据信息；将题目与选项组合成状态向量并输入文本证据聚合器TEF当中，利用TEF当中的预训练语言模型捕捉文本之间的语义关联，获得知识图谱之外的特征；将以上获得的三种不同来源的证据融合成特征向量并最后得到选择分数。充分利用题目给定的信息，在捕获题目当中单词语义关系的同时，还能利用知识图谱获得相关的证据信息进行答案选择，将结构化和非结构化的证据相结合，推荐准确率高，可解释性好。

公开(公告)号：CN114692604A

公开(公告)日：2022-07-01

申请号：CN202210398830.9

申请日：2022-04-16

Applicant: 东南大学

Inventor： 杨鹏 ,  张朋辉 ,  刘子健 ,  于晓潭

IPC: G06F40/211 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的方面级情感分类方法，具体如下，构筑方面级情感分类数据集；将数据集中的方面级特征嵌入到语义空间中；使用基于对抗BERT的编码器进行特征编码；基于线性变换的方面级句子特征压缩层对编码后的结果进行线性变换，使其满足胶囊网络计算的需要；基于胶囊网络的方面级句子特征提取层对压缩后的矩阵进一步的特征提取，捕获方面词与其对应上下文的语义关系；融标签正则化机制的情感分类层依据模型学习到的内容对文本进行方面级情感分类，可用于社交媒体文本的方面级情感分类,本发明基于对句子的方面级特征进行充分地学习，结合对抗训练机制将数据集的效果发挥到最大化，在复杂的场景下仍能表现出良好的效果，具有准确率高、鲁棒性好的特点。