[發明專利]一種基于稀疏高斯條件隨機場的情感分類方法及裝置

有效

• 申請號: 202011089717.X
• 申請日: 2020-10-13
• 公開（公告）號: CN112287524B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 蘇育挺
• 申請（專利權）人: 泉州津大智能研究院有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/08;G06K9/62;G06V10/764;G06V20/70;G06V10/40;G06V10/74;G06F16/58;G06F111/08
• 代理公司: 泉州君典專利代理事務所(普通合伙) 35239
• 代理人: 宋艷梅

1.一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：包括如下步驟：

A、將原始數據集中各圖片的原始特征表示集分為訓練集和測試集，對訓練集中的原始特征表示進行低秩特征分解后得到潛在特征表示集，其訓練得到的低秩映射矩陣后期用于測試集潛在特征表示的構建，從而使潛在特征表示具有低秩性，構建潛在特征表示映射到自身的第一損失函數；

B、通過稀疏回歸模型獲取預測標簽分布，并借助逆協方差矩陣獲取潛在特征表示自身、潛在特征表示與預測標簽分布之間、以及預測標簽分布自身之間的相關關系，并根據上述相關關系，由訓練集的潛在特征表示和預測標簽分布構建高斯條件隨機場模型，以得到由潛在特征表示映射到預測標簽分布的第二損失函數；

C、利用低秩對訓練集上的預測標簽分布進行全局約束，從而使得預測標簽分布的全局相關性得到加強，并使用KL散度來約束訓練集的預測標簽分布與真實標簽分布之間的差異，并構建預測標簽分布到自身之間的第三損失函數；

D、將第一、第二、第三損失函數加權獲取總損失函數，引入拉格朗日乘子，對各個變量進行交替優化，直至總損失函數收斂，再利用測試集得到預測標簽分布。

2.根據權利要求1所述的一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：所述步驟A中的第一損失函數為：

其中，X為從圖片提取的原始特征表示，為經過低秩特征分解后的潛在特征表示，E為誤差矩陣，保留原始特征表示的稀疏性，D為低秩映射矩陣，保留原始特征表示的低秩性，為潛在特征表示的逆協方差矩陣，tr(·)代表矩陣的跡，||·||₁代表矩陣的1范數，||·||_*代表矩陣的核范數，λ₁,λ₂,λ₃為平衡參數。

3.根據權利要求2所述的一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：所述步驟B中的第二損失函數為：

其中，N為訓練集對應的圖片示例個數，為經過低秩特征分解后的潛在特征表示，為預測標簽分布，為潛在特征表示與預測標簽分布之間的逆協方差子矩陣，為預測標簽分布之間的逆協方差子矩陣，|·|代表矩陣的行列式，tr(·)代表矩陣的跡，||·||₁代表矩陣的1范數，λ₄,λ₅為平衡參數。

4.根據權利要求3所述的一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：所述步驟C中的第三損失函數為：

其中，γ，λ₆是平衡參數，KL(·)表示KL散度損失。

5.根據權利要求4所述的一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：所述步驟D中的總損失函數為：

6.根據權利要求2至5任一所述的一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：所述步驟A中，從原始數據集的各圖片中提取維數為243維的語義特征，并將各語義特征歸一化處理以得到原始特征表示X。

7.根據權利要求5所述的一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：所述步驟D中，總損失函數收斂后，得到最終的低秩映射矩陣D和逆協方差矩陣Θ，再將測試集的原始特征表示與該低秩映射矩陣D相乘得到潛在特征表示，隨后將其通過逆協方差矩陣Θ構建稀疏回歸模型，即得到最終的預測標簽分布，即得到最終的分類結果。

8.根據權利要求1至5任一所述的一種基于稀疏高斯條件隨機場的情感分類方法，其特征在于：還包括步驟E：利用KL距離和Cosine相似度對最終結果進行評價。