-
公开(公告)号：CN112949318A
公开(公告)日：2021-06-11
申请号：CN202110233476.X
申请日：2021-03-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于文本和用户表示学习的文本立场检测方法，从社交媒体平台上获取文本数据集，生成用户社交关系图并获取对应的拉普拉斯矩阵，并确定每个文本的立场标签向量，采用预训练的BERT模型获取每个文本的文本向量，构建并训练立场检测模型，当需要对用户文本进行立场检测时，生成用户社交关系图并获取对应的拉普拉斯矩阵，将文本向量输入立场检测模型得到立场检测结果。本发明分别获取文本和用户两个模态特征并进行跨模态融合，从而实现准确的文本立场检测。
-
公开(公告)号：CN112949318B
公开(公告)日：2022-03-25
申请号：CN202110233476.X
申请日：2021-03-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于文本和用户表示学习的文本立场检测方法，从社交媒体平台上获取文本数据集，生成用户社交关系图并获取对应的拉普拉斯矩阵，并确定每个文本的立场标签向量，采用预训练的BERT模型获取每个文本的文本向量，构建并训练立场检测模型，当需要对用户文本进行立场检测时，生成用户社交关系图并获取对应的拉普拉斯矩阵，将文本向量输入立场检测模型得到立场检测结果。本发明分别获取文本和用户两个模态特征并进行跨模态融合，从而实现准确的文本立场检测。
-
公开(公告)号：CN109034960A
公开(公告)日：2018-12-18
申请号：CN201810763816.8
申请日：2018-07-12
Applicant: 电子科技大学
CPC classification number: G06Q30/0631
Abstract: 本发明公开了一种基于用户节点嵌入UNE(User Node Embedding)的多属性推断的方法，构建一种边带权重的用户‑商品二部有向图G并在其上进行有偏置的随机游走，从而获得用户‑商品序列；将所有用户‑商品序列放入CBOW模型中训练得到所有用户在低维空间的实值向量表示；构建一个多属性推断神经网络模型，利用用户的低维向量表示和对应的多属性表示作为训练集进行训练得到一个多属性推断模型。将需要推断用户属性的用户在低维空间的实值向量表示，输入到已经训练好的多属性推断模型中，从而得到该用户的多个属性值。本发明可应用于市场分析中定义不同的客户类型，深度挖掘用户属性信息以优化个性化推荐算法等与用户属性紧密相关的领域。
-
公开(公告)号：CN109034960B
公开(公告)日：2022-09-06
申请号：CN201810763816.8
申请日：2018-07-12
Applicant: 电子科技大学
IPC: G06Q30/06 , G06F16/9535 , G06F16/9536
Abstract: 本发明公开了一种基于用户节点嵌入UNE(User Node Embedding)的多属性推断的方法，构建一种边带权重的用户‑商品二部有向图G并在其上进行有偏置的随机游走，从而获得用户‑商品序列；将所有用户‑商品序列放入CBOW模型中训练得到所有用户在低维空间的实值向量表示；构建一个多属性推断神经网络模型，利用用户的低维向量表示和对应的多属性表示作为训练集进行训练得到一个多属性推断模型。将需要推断用户属性的用户在低维空间的实值向量表示，输入到已经训练好的多属性推断模型中，从而得到该用户的多个属性值。本发明可应用于市场分析中定义不同的客户类型，深度挖掘用户属性信息以优化个性化推荐算法等与用户属性紧密相关的领域。
-
-
-
Search Results
4
records
(took 0.013 seconds)
