[发明专利]一种融合先验知识模型的蒙古语多模态细粒度情感分析方法

说明书

本发明公开了一种融合先验知识模型的蒙古语多模态细粒度情感分析方法，对含有表情符的中文和蒙古语情感语料库进行预处理；分别将经过预处理得到的文本词和表情符转换为动态词向量；引入注意力机制对文本词量和表情符词向量拼接的词向量进行细粒度情感分析；并分别创建蒙古语情感词典和表情符的情感词典将二者提取的特征作为模型最终提取的情感特征；将融入先验知识的模型在大规模中文及蒙古语语料上进行预训练，得到融合先验知识模型的蒙古语多模态细粒度情感分析模型；将该模型的分析结果与单一网络分析方法的分析结果就每个情感类别的准确率、精确率、召回率和F1值进行对比和评价，达到提高蒙古语文本情感分析性能的目的。

技术领域

本发明属于人工智能技术领域，特别涉及一种融合先验知识模型的蒙古语 多模态细粒度情感分析方法。

背景技术

随着互联网技术的快速发展，越来越多的人开始在社交平台诸如微博、论 坛、影视网站、购物网站等平台发表各种言论，以此来分享自己的心情、观点 和意见。特别的是，随着网络技术的快速发展，表情符逐渐发展为一种有别于 文本、图像、视频一种新的数据形式，在情感分析领域发挥着重要作用。用户 发表的文本、表情符等信息可能包含不同的感情色彩：有开心的或是喜爱的； 悲伤的亦或是愤怒的。情感分析的核心是将一段文本所表达的情感准确的分为 happiness、like、sadness、surprise、disgust、fear、anger七个类别。

随着人工智能的崛起，深度学习方法得到了广泛的关注，因其模型具有强大的 特征学习能力，所以逐渐成为了解决情感分类问题的重要方法。但对于蒙古语 这样的小语种来说，现有的情感分析方法存在以下三点不足。其一，由于蒙古 语词汇丰富形态变化多，就造成了在蒙古语文本情感分析过程中出现了严重的 未登录词现象，而大量未登录词的存在严重影响情感分析的准确率。其二，当 前情感分析主要对文本数据进行分析，对于含有表情符的数据一般在数据清洗 阶段将表情符等重要信息做了删除处理，不能充分表情符这一情感分析重要特 征。其三，目前单一的神经网络模型在解决情感分析时分类效率有限，局限于 某些特征数据信息。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种融合先验知识 模型的蒙古语多模态细粒度情感分析方法，具有以下三个特点：第一，将中文 的jieba分词和字符对编码BPE技术结合对数据进行分词，并利用词向量修正方 法，更好的缓解因蒙古语语法的复杂性而出现的未登录词问题；第二，通过预 训练模型分别将文本和表情符表示成向量的形式，并将二者拼接成向量作为每 条数据的向量特征，以充分利用原始数据中的文本和表情符的情感特征，达到 多方位分析情感目标的目的；第三，通过构建蒙古语情感词典和表情符的情感 词典作为预训练模型的先验知识，充分利用了蒙古语情感词汇及含有情感表情 符的重要情感特征，以提高蒙古语文本情感分析的质量。

为了实现上述目的，本发明采用的技术方案是：

一种融合先验知识模型的蒙古语多模态细粒度情感分析方法，包括如下步骤：

步骤1：对含有表情符的中文和蒙古语情感语料库进行预处理；

步骤2：通过机器翻译技术将含有表情符的中文语料翻译成蒙古语语料；

步骤3：用融合jieba分词和正则化的BPE分词技术对蒙古语语料进行分词；

步骤4：将分词得到的蒙古语文本语料和表情符表示成动态词向量并将二者拼接成新的词向量；

步骤5：引入注意力机制对新的词向量分配不同的权重，有侧重点地提取情感特征。

步骤6：分别创建蒙古语情感词典和表情符的情感词典作为模型的先验知识；

步骤7：将融合先验知识的模型在大规模的语料进行预训练，得到融合先验知识模型的蒙古语多模态细粒度情感分析模型；