[發(fā)明專利]基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110584120.0
• 申請(qǐng)日: 2021-05-27
• 公開(kāi)（公告）號(hào): CN113343706A
• 公開(kāi)（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 王紅;張慧;莊魯賀;韓書(shū);李威;楊杰;王正軍;楊雪;滑美芳
• 申請(qǐng)（專利權(quán)）人: 山東師范大學(xué)
• 主分類號(hào): G06F40/30
• 分類號(hào): G06F40/30;G06F16/35;G06F40/205;G06F40/242;G06F40/253;G06F40/284;G06N3/04;G06N3/08
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 祖之強(qiáng)

1.一種基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)，其特征在于：包括：

數(shù)據(jù)獲取模塊，被配置為：獲取待處理的文本數(shù)據(jù)，對(duì)獲取的文本數(shù)據(jù)進(jìn)行預(yù)處理；

詞嵌入模塊，被配置為：根據(jù)預(yù)處理后的文本數(shù)據(jù)和預(yù)設(shè)詞嵌入模型，得到詞嵌入向量；

情感值特征向量獲取模塊，被配置為：根據(jù)預(yù)處理后的文本數(shù)據(jù)、預(yù)設(shè)情感詞典和預(yù)設(shè)語(yǔ)義規(guī)則，得到文本的情感值特征向量；

單詞級(jí)特征向量獲取模塊，被配置為：提取文本數(shù)據(jù)中的詞性特征向量，與詞嵌入向量拼接后，得到單詞級(jí)別的特征向量表示；

句子級(jí)特征向量獲取模塊，被配置為：提取文本數(shù)據(jù)中的詞頻特征向量，與情感值特征向量拼接后，得到句子級(jí)別的特征向量表示；

分類模塊，被配置為：根據(jù)單詞級(jí)別的特征向量表示、句子級(jí)別的特征向量表示以及預(yù)設(shè)CNN-BiLSTM網(wǎng)絡(luò)模型，得到最終的分類結(jié)果。

2.如權(quán)利要求1所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)，其特征在于：

分類模塊中，將單詞級(jí)別的特征向量表示和句子級(jí)別的特征向量表示，分別輸入到預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，將兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)輸出的高層特征進(jìn)行融合后輸入到預(yù)設(shè)Bi-LSTM網(wǎng)絡(luò)模型中，得到分類結(jié)果。

3.如權(quán)利要求1所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)，其特征在于：

對(duì)獲取的文本數(shù)據(jù)進(jìn)行預(yù)處理，包括：

從文本數(shù)據(jù)中提取標(biāo)題、內(nèi)容和標(biāo)簽，去除由于已刪除內(nèi)容而缺少的數(shù)據(jù)以及不相關(guān)數(shù)據(jù)，將文本數(shù)據(jù)轉(zhuǎn)換為小寫(xiě)字母。

4.如權(quán)利要求1所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)，其特征在于：

采用Word2vec詞嵌入模型生成嵌入向量。

5.如權(quán)利要求1所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)，其特征在于：

利用擴(kuò)充后的SenticNet4情感詞典，根據(jù)情感詞典中每個(gè)單詞的情感極性值和預(yù)設(shè)語(yǔ)義規(guī)則，進(jìn)行句子情感值計(jì)算，得到文本的情感值特征向量。

6.如權(quán)利要求1所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)，其特征在于：

語(yǔ)義規(guī)則，包括：

若文本數(shù)據(jù)中出現(xiàn)感嘆號(hào)或者問(wèn)號(hào)，文本或句子的情感極性增強(qiáng)；

或者，

若句子同時(shí)含有大小寫(xiě)，全部大寫(xiě)的單詞情感強(qiáng)度增強(qiáng)；

或者，

若句子中的情感詞前面存在程度副詞，文本或句子的情感極性增強(qiáng)。

7.如權(quán)利要求1所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)系統(tǒng)，其特征在于：

語(yǔ)義規(guī)則，還包括：

如果句子中存在轉(zhuǎn)折連詞，只考慮轉(zhuǎn)折連詞后面的句子情感極性；

或者，

如果句子中存在否定詞，考慮否定詞相關(guān)聯(lián)的詞的相反情感極性；

或者，

如果句子為反問(wèn)句，將句中情感詞乘以相應(yīng)的權(quán)值；

或者，

如果句子中包含表情符號(hào)，根據(jù)表情符號(hào)所代表的含義判斷句子或文本的情感極性。

8.一種基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)方法，其特征在于：包括以下過(guò)程：

獲取待處理的文本數(shù)據(jù)，對(duì)獲取的文本數(shù)據(jù)進(jìn)行預(yù)處理；

根據(jù)預(yù)處理后的文本數(shù)據(jù)和預(yù)設(shè)詞嵌入模型，得到詞嵌入向量；

根據(jù)預(yù)處理后的文本數(shù)據(jù)、預(yù)設(shè)情感詞典和預(yù)設(shè)語(yǔ)義規(guī)則，得到文本的情感值特征向量；

提取文本數(shù)據(jù)中的詞性特征向量，與詞嵌入向量拼接后，得到單詞級(jí)別的特征向量表示；

提取文本數(shù)據(jù)中的詞頻特征向量，與情感值特征向量拼接后，得到句子級(jí)別的特征向量表示；

根據(jù)單詞級(jí)別的特征向量表示、句子級(jí)別的特征向量表示以及預(yù)設(shè)CNN-BiLSTM網(wǎng)絡(luò)模型，得到最終的分類結(jié)果。

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，其特征在于，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求8所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)方法中的步驟。

10.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求8所述的基于多模態(tài)特征和語(yǔ)義規(guī)則的文本抑郁傾向檢測(cè)方法中的步驟。