[发明专利]一种基于语义-情感双重关注的细粒度文本情感转换模型

权利要求书

1.一种基于语义-情感双重关注的细粒度文本情感转换模型，其特征在于，所述双重关注模型包括CNN提取输入语句字符级特征、Glove词嵌入获得词语向量、双向LSTM中提取输入语句的上下文信息，语义与情感双重关注层，所述方法包括：

将数据集中的句子输入CNN，依次经过字符编码、卷积、最大池化，最终获得词语的字符级表示；

将输入语句用Glove词嵌入方式嵌入，本模型采用斯坦福公布的100d词嵌入，最终获得输入语句的词语级嵌入表示；

将以上两种表示联合起来一起送入双向LSTM中，LSTM隐藏层数为256；

为了在解码过程中更好的获取源语句的情感信息，在原Seq2SentiSeq模型已有语义关注层的基础上，增加一个情感关注层分支，通过Local Attention机制将源语句的情感强度信息加入编码过程；

将以上两个关注层得到的语义与情感上下文向量送入解码端，结合上一时刻的隐藏层向量、上一时刻的语义与情感层嵌入可得当前t时刻的解码器隐藏层状态；根据解码器状态分别计算语义概率分布与情感概率分布，最终根据两种概率分布解码输出。

2.根据权利要求所述的方法，其特征在于，所述CNN字符级嵌入模块依次包括字符编码、卷积、最大池化层；Glove词嵌入采用斯坦福公布的100d词嵌入。

3.根据权利要求1或2所述的方法，其特征在于，对语义和情感分别采取LocalAttention机制，该机制的窗口大小服从高斯分布。

4.所述方法还包括：生成语句情感强度与目标情感强度的差异所生成的奖励r_s，生成语句重构回源语句的情感奖励r’_s，两者共同组成情感奖励指导模型训练，从而提高模型的内容保存度与情感强度转换度。