公开(公告)号：CN113111663B

公开(公告)日：2024-09-06

申请号：CN202110467022.9

申请日：2021-04-28

Applicant: 东南大学

Inventor： 杨鹏 ,  周华健 ,  任炳先 ,  于晓潭

IPC: G06F40/30 ,  G06F40/216 ,  G06F16/953 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/084

Abstract: 本发明公开了一种融合关键信息的摘要生成方法，能够为媒体文本自动地生成摘要。本发明首先通过互联网采集媒体文本，并在媒体文本基础上按人工规则生成标准摘要构造出样本数据集；然后对数据集进行预处理，生成训练模型的输入数据；接着构建基于关键信息融合的seq2seq摘要生成模型，并联合三元组损失与交叉熵损失进行模型训练；最后基于训练完毕后的模型进行输出模型的构建，并利用输出模型对待进行摘要的媒体文本进行自动摘要生成。与现有技术相比，本发明联合关键词与主题信息作为关键信息，能够多层次地对摘要生成过程进行引导，从而提高摘要结果的信息覆盖度与主题一致性。

公开(公告)号：CN113326695A

公开(公告)日：2021-08-31

申请号：CN202110455888.8

申请日：2021-04-26

Applicant: 东南大学

Inventor： 杨鹏 ,  任炳先 ,  周华健 ,  于晓潭

IPC: G06F40/247 ,  G06F40/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于迁移学习的情感极性分析方法，本发明首先构建文本排序模型，弥补当前语言模型缺乏句子级预训练任务的缺陷，提高模型的逻辑感知与语义表达能力。然后，构建情感极性分析模型，将文本排序模型训练得到的相关参数迁移到情感极性分析模型中对应的位置。最后，将迁移后的模型在情感极性分析数据集上继续训练。本发明利用迁移学习为情感极性分析模型引入领域先验知识，可以提高模型的领域适应性，有助于获取更高质量的句子特征，进而提高模型的分类准确率，并且，本发明所采用的注意力机制可以为情感极性分析模型降低评论文本的噪声干扰，提高模型的分类鲁棒性。

公开(公告)号：CN113326695B

公开(公告)日：2024-04-26

申请号：CN202110455888.8

申请日：2021-04-26

Applicant: 东南大学

Inventor： 杨鹏 ,  任炳先 ,  周华健 ,  于晓潭

IPC: G06F40/247 ,  G06F40/30 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/096

Abstract: 本发明公开了一种基于迁移学习的情感极性分析方法，本发明首先构建文本排序模型，弥补当前语言模型缺乏句子级预训练任务的缺陷，提高模型的逻辑感知与语义表达能力。然后，构建情感极性分析模型，将文本排序模型训练得到的相关参数迁移到情感极性分析模型中对应的位置。最后，将迁移后的模型在情感极性分析数据集上继续训练。本发明利用迁移学习为情感极性分析模型引入领域先验知识，可以提高模型的领域适应性，有助于获取更高质量的句子特征，进而提高模型的分类准确率，并且，本发明所采用的注意力机制可以为情感极性分析模型降低评论文本的噪声干扰，提高模型的分类鲁棒性。

公开(公告)号：CN113111663A

公开(公告)日：2021-07-13

申请号：CN202110467022.9

申请日：2021-04-28

Applicant: 东南大学

Inventor： 杨鹏 ,  周华健 ,  任炳先 ,  于晓潭

IPC: G06F40/30 ,  G06F40/216 ,  G06F16/953 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种融合关键信息的摘要生成方法，能够为媒体文本自动地生成摘要。本发明首先通过互联网采集媒体文本，并在媒体文本基础上按人工规则生成标准摘要构造出样本数据集；然后对数据集进行预处理，生成训练模型的输入数据；接着构建基于关键信息融合的seq2seq摘要生成模型，并联合三元组损失与交叉熵损失进行模型训练；最后基于训练完毕后的模型进行输出模型的构建，并利用输出模型对待进行摘要的媒体文本进行自动摘要生成。与现有技术相比，本发明联合关键词与主题信息作为关键信息，能够多层次地对摘要生成过程进行引导，从而提高摘要结果的信息覆盖度与主题一致性。