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: 202510983155X
申请人: 华侨大学
专利类型:发明专利
专利状态:未下证
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:

1.一种基于多尺度知识融合的幽默识别方法,其特征在于,包括:S1,获取待测文本数据、标准幽默文本数据与决策任务,并标注所述标准幽默文本数据,构建幽默语料库;

S2,对所述幽默语料库进行多尺度语言学特征提取、分类与标记,生成多尺度语义特征空间;

S3,对所述多尺度语义特征空间进行多尺度知识融合,并在满足所述决策任务下选出N个最优尺度生成N-best尺度语义矩阵;具体为:基于所述决策任务计算决策等价关系,公式为:

;

其中,为所述标准幽默文本数据;表示所述标准幽默文本数据的样本在决策任务上的值;表示所述标准幽默文本数据的样本在决策任务上的值;决策任务用于指导多尺度知识融合的分类依据或目标标签集合;

根据所述多尺度语义特征空间,计算特征的特征等价关系,公式为:;

其中,表示样本在特征上的值;表示特征对应的在第层尺度上的特征矩阵,,;;为语言学特征的数量;表示所述多尺度语义特征空间的尺度数量;

找出所述多尺度语义特征空间中满足的N个最优尺度,构建最优尺度池;

将所述最优尺度池对应的N个尺度特征矩阵进行横向拼接融合,构成N-best尺度语义矩阵;

S4,基于所述待测文本数据,从所述N-best尺度语义矩阵提取出已知标签的原型模式向量及待识别的测试模式向量,并基于两者的相似度构造幽默序参量;

S5,通过协同神经网络模型对所述幽默序参量进行重构,筛选出所述待测文本数据的幽默标注模式;具体为:所述协同神经网络模型的公式为:;

其中,表示所述幽默序参量;表示序参量;为所述待测文本数据中句子的数量;为注意参数;为侧抑制系数;为自抑制系数;为模式索引;为自激励项;为自抑制项;为侧抑制项;

对重构后的幽默序参量进行排序,选出最高序参量对应的原型模式向量;

根据选出的最高序参量对应的原型模式向量,得到所述待测文本数据的幽默标注模式;

S6,基于所述幽默标注模式,输出所述待测文本数据的幽默识别结果。

2.根据权利要求1所述的一种基于多尺度知识融合的幽默识别方法,其特征在于,还包括:对所述幽默语料库进行预处理;其中,所述预处理包括:采用正则表达式匹配字符串的方法过滤文本数据中的表情和特殊字符,和/或进行分词,和/或去停用词;

对所述幽默语料库的文本数据进行标注处理。

3.根据权利要求1所述的一种基于多尺度知识融合的幽默识别方法,其特征在于,所述S2具体为:提取所述幽默语料库中文本数据的语言学特征;其中,所述语言学特征包括词义,和/或语义角色,和/或情感,和/或音韵;

基于所述语言学特征,将所述幽默语料库的每个句子表示为一个特征向量,并按照不同的尺度进行分类与标记,得到多尺度语义特征空间;其中,所述多尺度语义特征空间中的每行表示一个句子,每列代表一个尺度的语义特征或分类结果,表示为;

其中,;

其中,表示在第层尺度上的特征矩阵;表示所述多尺度语义特征空间的尺度数量;表示第句子在第层尺度的第个程度分类的值。

4.根据权利要求1所述的一种基于多尺度知识融合的幽默识别方法,其特征在于,所述S4具体为:从所述N-best尺度语义矩阵中提取出已知标签的样本行向量作为原型模式向量;其中,表示原型;表示原型模式向量中行向量的数量;

从所述N-best尺度语义矩阵中提取出所述待测文本数据的行向量作为测试模式向量;其中,表示测试;表示测试模式向量中行向量的数量;

根据所述原型模式向量和所述测试模式向量,通过相关系数法构造反映原型模式向量和测试模式向量相似度的幽默序参量,计算公式为:;

其中,为所述幽默序参量;表示序参量;为所述待测文本数据中句子的数量;为所述N-best尺度语义矩阵中的列数,即N个最优尺度对应的特征总个数;表示原型模式向量在第i个特征下的值;表示测试模式向量在第i个特征下的值;表示原型模式向量在所有特征下的值的平均;表示测试模式向量在所有特征下的值的平均。

5.一种基于多尺度知识融合的幽默识别装置,用于实现如权利要求1-4任意一项所述的一种基于多尺度知识融合的幽默识别方法,其特征在于,包括:语料处理单元,用于获取待测文本数据、标准幽默文本数据与决策任务,并标注所述标准幽默文本数据,构建幽默语料库;

多尺度语义单元,用于对所述幽默语料库进行多尺度语言学特征提取、分类与标记,生成多尺度语义特征空间;

N-best尺度单元,用于对所述多尺度语义特征空间进行多尺度知识融合,并在满足所述决策任务下选出N个最优尺度生成N-best尺度语义矩阵;

幽默序参量单元,用于基于所述待测文本数据,从所述N-best尺度语义矩阵提取出已知标签的原型模式向量及待识别的测试模式向量,并基于两者的相似度构造幽默序参量;

参量重构单元,用于通过协同神经网络模型对所述幽默序参量进行重构,筛选出所述待测文本数据的幽默标注模式;

识别输出单元,用于基于所述幽默标注模式,输出所述待测文本数据的幽默识别结果。

6.一种基于多尺度知识融合的幽默识别设备,其特征在于,包括处理器以及存储器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如权利要求1-4任意一项所述的一种基于多尺度知识融合的幽默识别方法。

7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如权利要求1-4任意一项所述的一种基于多尺度知识融合的幽默识别方法。