[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

本發明提供一種基于稀疏高斯條件隨機場的情感分類方法及裝置，方法包括如下步驟：A、對訓練集中的原始特征表示進行進行低秩特征分解后得到潛在特征表示集，構建潛在特征表示映射到自身的第一損失函數；B、借助逆協方差矩陣獲取相關關系，并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、低秩表示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，并構建預測標簽分布到自身之間的第三損失函數；D、獲取總損失函數，對各個變量進行交替優化，直至總損失函數收斂，再利用測試集得出最終的分類結果。本發明將低秩學習、高斯條件隨機場和相關性學習融合在一起，實現了更好的分類效果。

技術領域

本發明涉及一種基于稀疏高斯條件隨機場的情感分類方法及裝置。

背景技術

自20世紀以來，情感計算作為人工智能、計算機視覺等學科的重要分支，逐漸受到研究人員的重視。由于情感標簽具有模糊性和主觀性，具有標簽模糊性的標簽分布式學習算法成為了熱門話題。對于沒有足夠和完整的訓練數據的分類任務而言，標簽分布式學習可以引入額外信息從而加強學習過程。除此之外，標簽分布式學習相比于單標簽和多標簽學習而言為標簽表示提供更多的靈活性，是模糊理論在標簽分類領域的創新應用。

在解決情感計算任務過程中，當前大部分算法多是自行構造相關矩陣或是針對預測標簽進行直接全局或局部低秩處理，而未考慮其數據的分布情況。故如何有效的發掘情感標簽之間相關性信息成為有價值的研究方向，因此提出一種結合數據分布特性的有效的情感分布式學習算法是非常有意義的。

發明內容

本發明的目的是針對現有技術的不足，提出一種基于稀疏高斯條件隨機場的情感分類方法及裝置，將低秩學習、高斯條件隨機場和相關性學習融合在一起，實現了更好的分類效果。

本發明通過以下技術方案實現：

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。

進一步的，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。

進一步的，所述步驟B中的第二損失函數為：