1.表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于,包括如下步骤:
S1:建立用以描述表情符与文本情感的交互机制表示的四元组结构,所述四元组结构为<表情符,交互类型,交互强度,交互文本>;
S2:建立用以将文本信息转换为四元组矩阵的转换模型,所述四元组矩阵内包括多个四元组结构,所述四元组矩阵分别表示表情符识别、交互文本识别、交互类型识别、交互强度检测四个计算问题;
S3:建立基于深度学习的交互机制识别模型,通过表情符识别计算问题、交互文本识别计算问题、交互类型识别计算问题、交互强度检测计算问题训练所述识别模型。
2.如权利要求1所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于:所述转换模型的输入为文本信息 ,转换模型的输出为 ,其中为一个四元组 ,其中 表示表情符, 表示交互类型, 表示交互
强度, 表示交互文本。
3.如权利要求1或2所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于:步骤S1中交互类型为五类,所述交互类型包括情感表达、矛盾表达、情感增强、情感减弱、无情感,情感表达:无情感的文本中加入表情符后,使得文本具有情感,矛盾表达:有情感的文本在遇到表情符后其情感极性发生改变,如正向变为负性,负性变为正性,情感增强:有情感的文本在遇到表情符后其情感极性未发生改变,但情感强度增加,情感减弱:有情感的文本在遇到表情符后其情感极性未发生改变,但情感强度减弱,无情感:表情符不影响文本的情感。
4.如权利要求1或2所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于:步骤S3中的识别模型包括输入层、特征抽取层、序列输出层、关系抽取层。
5.如权利要求4所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于,所述输入层具体包括:输入信息包括文本的每一个词 及表情符 每个元素,特征包括词、词性、情感及句法特征,每个特征采用嵌入表示,即每个特征采用实数低维向量表示,其中 。
6.如权利要求4所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于:所述特征抽取层采用双向长短记忆网络来学习社交媒体文本中间表示,对每一个LSTM单元由多个实向量组合而成,所述特征抽取层包括入门向量 、忘记门向量 、输出门向量 、内存单元 和隐藏状态 ,其中 , 、表示神经元的激活函数, 、 表示权重矩阵, 表示偏差向量,对于第一个门,其输入数据为 、输出为 ,在双向长短记忆网络中,其输出向量为 。
7.如权利要求4所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于:所述序列输出层包括检测表情符及其交互文本、标注表情符及其交互文本,标注类别分为三类:NOB、OB、S,其中NOB表示非交互文本,OB表示交互文本,S表示表情符,标注设置在序列输出层的顶层,标注包括两个神经网络层:隐藏层 和输出层 ,其中。
8.如权利要求4所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于,所述关系抽取层具体包括:根据得到的表情符 及其交互文本判断其交互类型及交互强度,首先将交互文本压缩为与表情符同维度的文本向量,然后将文本向量输入隐藏层得到文本隐藏结果,最后将文本隐藏结果输入判断层得到输出结果,具体公式包括: ,其中式中 为压缩函数、 为表情符与文本的交互函数。
9.如权利要求1或2所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于,模型训练具体包括:通过对表情符识别计算问题、交互文本识别计算问题、交互类型识别计算问题、交互强度检测计算问题采用基于梯度下降的前向和后向传播算法训练所述识别模型进行,训练过程采用BPTT方法或者Adam梯度下降方法。
10.如权利要求1或2所述的表情符与文本的情感交互机制表示与识别模型建立方法,其特征在于:所述识别模型采用长短记忆网络进行学习序列标注,所述识别模型通过神经网络学习关系抽取。