[发明专利]基于局部样本相关性的标记分布中文情感预测方法

权利要求书

1.一种基于局部样本相关性的标记分布中文情感预测方法，其特征在于，包括以下步骤：

步骤1，利用k-means聚类方法将训练集聚类成m个簇，对局部相关性特征矩阵c和聚类中心标签矩阵P进行初始化；

步骤2，利用梯度下降法对目标函数进行最优化，求解原始特征系数矩阵θ、局部相关性特征系数矩阵w和局部相关性特征矩阵c；

步骤3，以数据的原始特征为输入，以上述步骤2求解得到的局部相关性特征矩阵c为输出，利用现有的线性回归方法训练出m个线性回归模型；

步骤4，利用训练好的线性回归模型对测试示例的局部相关性特征进行预测；

步骤5，使用输出模型对测试示例的分布进行预测。

2.根据权利要求1所述方法，其特征在于，步骤1的具体过如下：

设中文情感数据原始特征为X＝R^q，数据集中第i个示例对应的情感标记集合其中q为原始特征的维数，L为标签个数，表示第l个标记对示例x_i的描述；

给定训练集S＝{(x₁,D₁),(x₂,D₂),…,(x_n,D_n)}，其中x_i∈X是一条示例；

在标签空间上，使用k-means聚类方法将示例聚类成m个簇；

根据聚类结果，对局部相关性特征矩阵c和聚类中心标签矩阵P进行初始化，初始化步骤如下：若示例x_i在第j个簇中，则初始化为1，否则初始化为0，其中为局部特征矩阵c中的一个元素，|G_j|为簇中示例的个数，x_k为第j个簇中的第k个元素。

3.根据权利要求2所述方法，其特征在于，步骤2的具体过程在于：

建立目标函数如下：

T(θ,w,c)=ΣiΣl(dilln(dilp(yl|xi;θ,w,c)))+λ1||θ||F2+λ2||w||F2+λ3Σi=1nΣj=1mcij||p(y|xi;θ,w,c)-pj||22]]>

其中，n为样本个数，m为聚类的个数，p_j是第j个聚类中心，为局部特征矩阵c中的一个元素，||·||_F为矩阵的F范式，λ₁、λ₂、λ₃为三个平衡参数，p(y_l|x_i；θ,w,c)为p(y|x_i；θ,w,c)的第l项，p(y|x_i；θ,w,c)为预测的标记分布；

使用梯度下降法对上述目标函数进行最优化，求解参数θ、w和c。

4.根据权利要求3所述方法，其特征在于，步骤5的具体过程在于：

建立输出模型如下：

p(yl|xi;θ,w,c)=1Zexp(Σk1θl,k1xik1+Σk2wl,k2cik2)]]>

θ_l,k1是原始特征系数矩阵的第k1行l列元素，是示例x_i的第k1个原始特征，w_l,k2是局部样本相关性特征系数矩阵的第k2行l列元素，是示例x_i的局部样本相关性向量的第k2个元素；

将测试样本的原始特征、局部相关性特征、原始特征系数矩阵、局部相关性特征系数矩阵代入到输出模型中，对测试样本的情感分布进行预测；

采用六种评价指标度量标记分布算法的性能，分别是Euclidean、Sφrensen、Squaredχ²、K-L、Intersection和Fidelity。