欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202510673081X
申请人: 合肥智寻技术转移咨询有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,包括以下步骤:S1、采集用户的问题文本,并输出问题处理结果;

S2、根据问题处理结果,生成隐喻理解能力;

S3、为用户生成情感状态;

S4、根据隐喻理解能力和情感状态,输出适应后的知识;

S5、根据隐喻理解能力和情感状态,生成隐喻情感联合集合;

S6、根据适应后的知识和隐喻情感联合集合,生成最终回答;

所述S2包括以下子步骤:

S21、根据问题处理结果,为问题文本生成若干个隐喻候选,并计算各个隐喻候选的语义不协调度,保留语义不协调度大于设定阈值的隐喻候选;

S22、计算保留的隐喻候选的预测值,保留预测值大于设定概率阈值的隐喻候选,作为最终隐喻;

S23、提取最终隐喻的源域和目标域,并计算源域和目标域之间的映射关系;

S24、根据最终隐喻的源域、目标域以及映射关系,生成隐喻理解能力;

所述S21中,确定词性搭配模式集合,将词性对属于词性搭配模式集合对应的词对作为隐喻候选;

所述S21中,隐喻候选的语义不协调度的计算公式为:;

式中,表示第个词的词向量表示,表示第个词的词向量表示,表示向量范数;

所述S22中,保留的隐喻候选的预测值的计算公式为:;

式中,表示上下文,表示分类模型,表示sigmoid函数,表示隐喻标签;

所述S23中,源域和目标域之间的映射关系的表达式为:;

式中,表示第1个源域概念,表示第2个源域概念,表示第1个目标域概念,表示第2个目标域概念,表示第1个映射关系类型,表示第2个映射关系类型,表示第1个映射强度,表示第2个映射强度;

所述S24中,隐喻理解能力的表达式为:,

式中,表示源域的向量表示,表示目标域的向量表示,表示映射关系的向量表示,表示向量拼接函数。

2.根据权利要求1所述的基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,所述S1包括以下子步骤:S11、采集用户的问题文本,并对问题文本进行基础处理,其中,基础处理包括分词处理、去停用词处理和词性标注处理;

S12、在完成基础处理后,提取问题文本的实体;

S13、根据问题文本的实体,提取用户的问题意图;

S14、根据用户的问题意图,提取问题文本的语义特征和上下文特征,输出问题处理结果。

3.根据权利要求1所述的基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,所述S3包括以下子步骤:S31、提取问题文本的语言特征和语义特征;

S32、根据问题文本的语言特征和语义特征,提取特征向量;

S33、根据特征向量,进行情感分类;

S34、计算分类后各种情感类别的强度;

S35、根据各种情感类别的强度,得到情感状态的向量表示,作为情感状态。

4.根据权利要求3所述的基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,所述S31中,语言特征包括疑问词频率、模糊限定词频率、强调词频率和句法复杂度;

所述疑问词频率的计算公式为:;

式中,表示疑问词数量,表示总词数;

所述模糊限定词频率的计算公式:;

式中,表示模糊限定词数量;

所述强调词频率的计算公式:;

式中,表示强调词数量;

所述句法复杂度的计算公式为:;

式中,表示从句数量,表示句子数量;

所述S31中,语义特征包括积极情感词得分、消极情感词得分和不确定词得分;

所述积极情感词得分的计算公式:;

式中,表示情感词,表示积极情感词集合,表示情感词的权重;

所述消极情感词得分的计算公式:;

式中,表示消极情感词集合;

所述不确定词得分的计算公式:;

式中,表示不确定性词语集合;

所述S33中,进行情感分类的计算公式为:;

式中,表示给定特征向量条件下情感类别的概率分布,表示情感类别,表示特征向量,表示权重矩阵,表示偏置项,表示激活函数;

所述S34中,情感类别的强度的计算公式为:;

式中,表示第个情感类别,表示sigmoid函数,表示情感类别的偏置项;

所述S35中,情感状态的计算公式为:;

式中,表示第1个情感类别的概率,表示第2个情感类别的概率,表示第个情感类别的概率,表示第1个情感类别的强度,表示第2个情感类别的强度,表示第个情感类别的强度,表示第1个情感类别,表示第2个情感类别,表示第个情感类别。

5.根据权利要求1所述的基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,所述S4包括以下子步骤:S41、根据隐喻理解结果,提取知识项的排序分数,将最高排序分数作为回答基础;

S42、根据回答基础,生成完整知识表示;

S43、根据隐喻理解结果和情感状态,利用知识复杂度调整函数调整完整知识表示的表示方式和复杂度,输出适应后的知识。

6.根据权利要求5所述的基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,所述S41中,第个知识项的排序分数的计算公式为:;

式中,表示第一权重系数,表示第二权重系数,表示第三权重系数,表示问题文本,表示第个知识项,表示知识项的相关性得分,表示知识项的重要性得分,表示知识项的时效性得分;

所述S43中,知识复杂度调整函数的计算公式为:;

式中,表示原始知识的复杂度,表示情感状态,表示隐喻理解能力,表示基于情感状态和隐喻理解能力的调整函数。

7.根据权利要求1所述的基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,所述S5包括以下子步骤:S51、根据隐喻理解结果和情感状态,生成联合特征表示;

S52、确定隐喻理解结果与情感状态之间的相互影响关系;

S53、根据联合特征表示以及隐喻理解结果与情感状态之间的相互影响关系,生成隐喻使用策略和情感影响策略;

S54、根据隐喻使用策略和情感影响策略,生成隐喻情感联合集合;

所述S51中,联合特征表示的计算公式为:;

式中,表示情感状态,表示隐喻理解能力,表示多头注意力机制;

所述S52中,隐喻理解结果与情感状态之间的相互影响关系的计算公式为:;

式中,表示双向控循环单元格,表示向量拼接;

所述S53中,隐喻使用策略的计算公式为:;

式中,表示隐喻策略生成函数;

所述S53中,情感影响策略的计算公式为:;

式中,表示情感策略生成函数;

所述S54中,隐喻情感联合集合的计算公式为:;

式中,表示联合特征表示,表示非线性映射函数。

8.根据权利要求1所述的基于文本隐喻处理和情感感知的教育自动问答方法,其特征在于,所述S6包括以下子步骤:S61、根据隐喻情感联合集合,构建问题框架;

S62、将适应后的知识输入至问题框架中,进行知识选择和知识整合,生成回答核心内容;

S63、根据隐喻使用策略构建隐喻选择函数;

S64、根据隐喻选择函数和回答核心内容,构建情感响应生成函数;

S65、根据情感响应生成函数,生成最终回答;

所述S61中,问题框架的计算公式为:;

式中,表示候选框架,表示预定的回答框架集合,表示隐喻情感联合集合,表示在特定问题意图和情感隐喻背景下选择候选框架的合理概率,表示问题意图;

所述S62中,进行知识选择的计算公式为:;

式中,表示进行知识选择的结果,表示第个知识项,表示知识项的排序分数,表示知识选择阈值;

所述S62中,进行知识整合的计算公式为:;

式中,表示回答核心内容,表示知识整合函数;

所述S63中,隐喻选择函数的计算公式为:;

式中,表示候选隐喻,表示隐喻库,表示匹配度计算函数,表示隐喻使用策略;

所述S64中,情感响应生成函数的计算公式为:;

式中,表示情感影响策略,表示基于情感影响策略、回答核心内容和选定隐喻生成情感响应的函数;

所述S65中,最终回答的计算公式为:;

式中,表示回答优化函数。