[发明专利]一种基于稀疏高斯条件随机场的情感分类方法及装置

权利要求书

1.一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：包括如下步骤：

A、将原始数据集中各图片的原始特征表示集分为训练集和测试集，对训练集中的原始特征表示进行低秩特征分解后得到潜在特征表示集，其训练得到的低秩映射矩阵后期用于测试集潜在特征表示的构建，从而使潜在特征表示具有低秩性，构建潜在特征表示映射到自身的第一损失函数；

B、通过稀疏回归模型获取预测标签分布，并借助逆协方差矩阵获取潜在特征表示自身、潜在特征表示与预测标签分布之间、以及预测标签分布自身之间的相关关系，并根据上述相关关系，由训练集的潜在特征表示和预测标签分布构建高斯条件随机场模型，以得到由潜在特征表示映射到预测标签分布的第二损失函数；

C、利用低秩对训练集上的预测标签分布进行全局约束，从而使得预测标签分布的全局相关性得到加强，并使用KL散度来约束训练集的预测标签分布与真实标签分布之间的差异，并构建预测标签分布到自身之间的第三损失函数；

D、将第一、第二、第三损失函数加权获取总损失函数，引入拉格朗日乘子，对各个变量进行交替优化，直至总损失函数收敛，再利用测试集得到预测标签分布。

2.根据权利要求1所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤A中的第一损失函数为：

其中，X为从图片提取的原始特征表示，为经过低秩特征分解后的潜在特征表示，E为误差矩阵，保留原始特征表示的稀疏性，D为低秩映射矩阵，保留原始特征表示的低秩性，为潜在特征表示的逆协方差矩阵，tr(·)代表矩阵的迹，||·||₁代表矩阵的1范数，||·||_*代表矩阵的核范数，λ₁,λ₂,λ₃为平衡参数。

3.根据权利要求2所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤B中的第二损失函数为：

其中，N为训练集对应的图片示例个数，为经过低秩特征分解后的潜在特征表示，为预测标签分布，为潜在特征表示与预测标签分布之间的逆协方差子矩阵，为预测标签分布之间的逆协方差子矩阵，|·|代表矩阵的行列式，tr(·)代表矩阵的迹，||·||₁代表矩阵的1范数，λ₄,λ₅为平衡参数。

4.根据权利要求3所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤C中的第三损失函数为：

其中，γ，λ₆是平衡参数，KL(·)表示KL散度损失。

5.根据权利要求4所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤D中的总损失函数为：

6.根据权利要求2至5任一所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤A中，从原始数据集的各图片中提取维数为243维的语义特征，并将各语义特征归一化处理以得到原始特征表示X。

7.根据权利要求5所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤D中，总损失函数收敛后，得到最终的低秩映射矩阵D和逆协方差矩阵Θ，再将测试集的原始特征表示与该低秩映射矩阵D相乘得到潜在特征表示，随后将其通过逆协方差矩阵Θ构建稀疏回归模型，即得到最终的预测标签分布，即得到最终的分类结果。

8.根据权利要求1至5任一所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：还包括步骤E：利用KL距离和Cosine相似度对最终结果进行评价。