公开(公告)号：CN115905527A

公开(公告)日：2023-04-04

申请号：CN202211398193.1

申请日：2022-11-09

Applicant: 重庆大学 ,  重庆市特种设备检测研究院

Inventor： 熊庆宇 ,  柯采 ,  易华玲 ,  高旻 ,  陈杰 ,  罗力豪 ,  林军成

IPC: G06F16/35 ,  G06F40/30 ,  G06F40/295 ,  G06F18/2431 ,  G06F18/2415 ,  G06F18/22 ,  G06N3/044 ,  G06N3/045 ,  G06N3/047 ,  G06N3/049 ,  G06N3/08

Abstract: 本发明提供了一种基于先验知识的BERT模型的方面级情感分析方法。该方法包括：获得多个方面情感对；将待分析语句和不同的方面情感对组合构成不同的输入文本；将每个输入文本输入方面级情感分析模型，方面级情感分析模型输出每个输入文本的情感分析结果，情感分析结果包括输入文本中待分析语句是否与方面情感对匹配的判断结果；方面级情感分析模型包括：词向量编码模块、第一全连接层、先验知识获取模块和特征融合模块。在方面级情感分析模型中加入先验知识获取模块获得先验知识向量，利用简单但有效的先验知识向量与语义特征向量相结合，让模型学习到充分的少样本类别，提升待分析语句与方面情感对是否匹配的判断效果。

公开(公告)号：CN116257630A

公开(公告)日：2023-06-13

申请号：CN202310121920.8

申请日：2023-02-16

Applicant: 重庆大学

Inventor： 熊庆宇 ,  柯采 ,  林军成 ,  罗力豪 ,  易华玲 ,  杨正益

IPC: G06F16/35 ,  G06F16/332 ,  G06F40/30 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明提供了一种基于对比学习的方面级情感分析方法及装置。方法包括：S1，基于预设的多个方面情感对生成多个提示句对；S2，将待分析语句输入基于对比学习的方面级情感分析模型获得分析结果，方面级情感分析模型包括：增强模块，将待分析语句与不同提示句对中的疑问或回答提示句组合获得不同的待分析增强语句；预训练编码层，获得待分析增强语句的句子表示向量和词向量；第一激活函数层，获取第一分析结果；第二激活函数层，标记出与方面情感对匹配的目标词语位置从而获得标记序列。实现了目标‑方面‑情感联合检测，对待分析语句利用疑问或回答提示句进行增强处理后能生成高质量的语义信息，有效缓解稀疏标记数据问题，提高情感分析效果。

公开(公告)号：CN114298011A

公开(公告)日：2022-04-08

申请号：CN202111659500.2

申请日：2021-12-30

Applicant: 重庆大学

Inventor： 熊庆宇 ,  柯采 ,  吴超 ,  杨雨蓉 ,  易华玲 ,  郭佳浩 ,  吴自慧 ,  林军成 ,  罗力豪

IPC: G06F40/211 ,  G06F40/289 ,  G06F40/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种神经网络、训练方法、方面级情感分析方法、装置及存储介质，神经网络包括：BERT词嵌入模块获得输入文本的语义信息和输入文本中待分析语句所有单词的词向量；第一全连接层基于语义信息获得语义特征向量；第二全连接层基于词向量获取单词特征向量；潜在狄利克雷分布模块分别提取待分析语句的主题分布和方面情感对的主题分布；特征融合层判断待分析语句是否与方面情感对匹配；解码标注模块在解码序列中标记出目标词语位置获得标记序列；输出层为基于特征融合层输出的判断结果输出情感分析结果。实现多任务输出，通过特征融合层将语义信息与主题分布进行特征融合，学习到特定领域的词汇，提升模型的情感分类任务效果。

公开(公告)号：CN114298011B

公开(公告)日：2024-06-25

申请号：CN202111659500.2

申请日：2021-12-30

Applicant: 重庆大学

Inventor： 熊庆宇 ,  柯采 ,  吴超 ,  杨雨蓉 ,  易华玲 ,  郭佳浩 ,  吴自慧 ,  林军成 ,  罗力豪

IPC: G06F40/211 ,  G06F40/289 ,  G06F40/30 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/084

Abstract: 本发明公开了一种神经网络、训练方法、方面级情感分析方法、装置及存储介质，神经网络包括：BERT词嵌入模块获得输入文本的语义信息和输入文本中待分析语句所有单词的词向量；第一全连接层基于语义信息获得语义特征向量；第二全连接层基于词向量获取单词特征向量；潜在狄利克雷分布模块分别提取待分析语句的主题分布和方面情感对的主题分布；特征融合层判断待分析语句是否与方面情感对匹配；解码标注模块在解码序列中标记出目标词语位置获得标记序列；输出层为基于特征融合层输出的判断结果输出情感分析结果。实现多任务输出，通过特征融合层将语义信息与主题分布进行特征融合，学习到特定领域的词汇，提升模型的情感分类任务效果。

公开(公告)号：CN115983493A

公开(公告)日：2023-04-18

申请号：CN202310104266.X

申请日：2023-02-13

Applicant: 重庆大学

Inventor： 熊庆宇 ,  杨雨蓉 ,  柯采 ,  易华玲 ,  罗力豪 ,  林军成

IPC: G06Q10/04 ,  G06Q50/06 ,  G06Q50/26 ,  G06N3/08 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明提供了一种基于多任务学习及深度学习模型的水质预测方法，包括以下步骤：获取输入数据，输入数据包括水质数据和气象数据；将输入数据输入至预测模型中；获取输入数据的时间序列；根据时间序列和输入数据获取局部依赖特征和长时间依赖特征；根据局部依赖特征和长时间依赖特征获得水质指标预测结果。本发明所述的一种基于多任务学习及深度学习模型的水质预测方法能够适用于分析预测非线性的、复杂的水质数据，提高水质预测精度。