[發明專利]一種社交媒體壓力類別檢測方法及裝置

在審

• 申請號: 202210411487.7
• 申請日: 2022-04-19
• 公開（公告）號: CN114842246A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 馮鈴;王鑫
• 申請（專利權）人: 清華大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06Q50/00
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 吳勇濤

本發明提供一種社交媒體壓力類別檢測方法及裝置，其中方法包括：獲取待分類對象和支持集；將待分類對象和支持集輸入至壓力類別檢測模型，獲得壓力類別檢測模型輸出的分類結果；其中，壓力類別檢測模型是基于訓練集和測試集進行元學習后得到的，訓練集包括訓練樣本以及對應的分類標簽，測試集包括測試樣本以及對應的分類標簽，支持集包括至少一個類別，每個類別包括至少一個支持樣本以及每個支持樣本對應的分類標簽。本發明提供的社交媒體壓力類別檢測方法及裝置，通過元學習使壓力類別檢測模型能夠基于少量不頻繁出現的壓力類別的數據就可以直接識別那些不頻繁出現的壓力類別。

技術領域

本發明涉及計算機技術領域，尤其涉及一種社交媒體壓力類別檢測方法及裝置。

背景技術

了解壓力類別對于幫助人們采取有效措施應對壓力非常重要。由于社交媒體上豐富的信息，因此可以通過社交媒體分析人們的壓力類別。當前的壓力類別檢測的方法都關注于檢測在社交媒體上頻繁出現的壓力類別(學業，工作，經濟等)，而忽略了那些不頻繁出現的壓力類別。而這些類別的壓力往往更嚴重，如少數群體會經歷的壓力類別(懷孕壓力)。

由于面臨數據稀缺的問題，導致對不頻繁出現的壓力類別檢測準確率有待提高。

發明內容

本發明提供一種社交媒體壓力類別檢測方法，用以解決現有技術中對于不頻繁出現的壓力類別檢測準確率低的缺陷，提高對不頻繁出現的壓力類別檢測的準確率。

第一方面，本發明提供一種社交媒體壓力類別檢測方法，包括：

獲取待分類對象和支持集；

將所述待分類對象和所述支持集輸入至壓力類別檢測模型，獲得所述壓力類別檢測模型輸出的分類結果；

其中，所述壓力類別檢測模型是基于訓練集和測試集進行元學習后得到的，所述訓練集包括訓練樣本以及對應的分類標簽，所述測試集包括測試樣本以及對應的分類標簽，所述支持集包括至少一個類別，每個類別包括至少一個支持樣本以及每個所述支持樣本對應的分類標簽。

可選地，所述壓力類別檢測模型包括：編碼模塊、歸納模塊和關系模塊；

所述將所述待分類對象和所述支持集輸入至壓力類別檢測模型，獲得所述壓力類別檢測模型輸出的分類結果，包括：

將所述待分類對象輸入至所述編碼模塊，獲得所述編碼模塊輸出的待分類向量；

將所述支持集輸入至所述歸納模塊，獲得所述歸納模塊輸出的類別向量集，所述類別向量集包括至少一個類別向量，每個所述類別向量與所述分類標簽一一對應；

將所述待分類向量和所述類別向量集輸入至所述關系模塊，獲得所述關系模塊輸出的分類結果。

可選地，所述歸納模塊包括向量單元和賦權單元；

所述將所述支持集輸入至所述歸納模塊，獲得所述歸納模塊輸出的類別向量集，包括：

將所述支持集輸入至所述向量單元，獲得所述向量單元輸出的專家向量集，所述專家向量集中包括至少一個專家向量，每個所述專家向量與所述支持集中的支持樣本一一對應；

將所述專家向量集輸入至賦權單元，對所述專家向量集基于預設賦權公式進行賦權操作，獲得所述賦權單元輸出類別向量集。

可選地，所述預設賦權公式包括初始值公式、門值公式和類別表示函數；

所述初始值公式為：

η_i＝Relu(e_iW_g+b_g)；

所述門值公式為：

所述類別表示函數為：