[发明专利]一种面向对话文本的情绪分类方法

权利要求书

1.一种面向对话文本的情绪分类方法，其特征在于，包括：

获取待分类的对话文本；

采用CNN和Bi-LSTM对对话文本之间的上下文信息进行提取，得到话语级特征；

采用CNN和Bi-LSTM对对话者之间的长距离依赖关系进行提取，得到对话者级特征；

采用宽度学习BL构建情绪分类器，并将话语级特征和对话者级特征输入所构建的情绪分类器进行处理后，输出情绪分类结果。

2.根据权利要求1所述的一种面向对话文本的情绪分类方法，其特征在于，所述获取待分类的对话文本之后，还包括将待分类的对话文本进行向量化表示，具体为：

在每个话语之前插入CLS标记，生成一个对话文本的序列如下：{CLS₁,u₁,CLS₂,u₂,,CLS_K,u_K}，K表示一个对话文本中话语的数量；

采用BERT对话语中每个词进行向量化表示，如果话语u_i中有n_i个词，那么每个对话文本的词嵌入可表示为：其中x_ui∈R^xi×768为话语的向量表示。

3.根据权利要求1所述的一种面向对话文本的情绪分类方法，其特征在于，所述采用CNN和Bi-LSTM对对话文本之间的上下文信息进行提取，得到话语级特征包括：

采用CNN对数据进行特征提取，具体表示如下：

其中σ表示激活函数，W_u和b_u分别表示卷积核的权重和偏置，q表示CNN的输出维度，表示卷积操作；

输入数据通过卷积层后，再把卷积层的输出送入池化层，经过池化操作后，输出结果表示如下：

P_u＝MaxPool(G_u)∈R^K×r

其中MaxPool表示CNN的最大池化操作，r表示最大池化层的输出维度；

采用Bi-LSTM来获取上下文特征，具体表示如下：

其中和分别表示前向LSTM和后向LSTM，和分别表示第i个话语的前向和后向的上下文特征；

对和进行拼接生成第i个话语的上下文特征话语级特征表示如下：

其中l表示LSTM隐藏层的维度。

4.根据权利要求1所述的一种面向对话文本的情绪分类方法，其特征在于，所述采用CNN和Bi-LSTM对对话者之间的长距离依赖关系进行提取，得到对话者级特征包括：

采用CNN对数据进行特征提取，具体表示如下：

其中表示激活函数，W_s和b_s分别表示卷积核的权重和偏置；

输入数据通过卷积层后，再把卷积层的输出送入池化层，经过池化操作后，输出结果表示如下：

P_s＝MaxPool(G_s)∈R^K×r

采用Bi-LSTM来获取上下文特征，具体表示如下：

其中θ＝σ(u_i)，U_θ表示对话者s_θ所说的所有话语，和分别表示前向LSTM和后向LSTM，和分别表示第i个对话者的前向和后向的上下文特征；

最后，对和进行拼接生成第i个对话者的上下文特征对话者级特征表示如下：