基于深度循环神经网络的社交网络情感建模方法技术

本发明专利技术提供一种基于深度循环神经网络的社交网络情感建模方法，包括：基于注意力模型对社交网络异构数据进行处理；构建基于深度LSTM的长时记忆模型，包括：构建推广的深度神经网络残差结构，构建深度LSTM模型，构建融合多LSTM模型的深度递归神经网络；将处理后的数据输入构建的基于深度LSTM的长时记忆模型，输出得到社交网络中用户不同时刻的情感状态。与传统社交网络情感计算不同，本发明专利技术方法摆脱了对人工假定和建模的依赖，自动提取相关特征并建立情感转移和影响变化的关系模型，避免人工模型和实际情况的偏差，增强了系统的推广能力。

【技术实现步骤摘要】
基于深度循环神经网络的社交网络情感建模方法
本专利技术涉及多模态情感计算
，特别涉及一种基于深度循环神经网络的社交网络情感建模方法。
技术介绍
随着互联网的发展，通过社交网络理解人的情感已成为当前社会学、心理学和计算机科学等多学科的研究热点，也是情感计算的核心问题，有着重要的研究意义。媒体选择在社交网络上推送包括新闻资讯在内的各种信息，如果能准确地分析与理解人的情感，就可以通过社交平台进行精准地个性化智能推荐。因此，社交网络情感研究又有着重要的实用价值。已有研究根据社交网络中用户的行为，如微博、地理位置、电话记录等分析用户情感状态，根据社交网络的结构和用户行为预测用户个性。基于Facebook上数据的研究表明社交网络上用户的情感与他们的社交活动和相互影响密切相关。社会学研究表明，由于人的同理心，情感具有群体性，即你的感受取决于你接触到的和与你关系或近或远的人感受到的。已有研究者根据互联网上的用户标注、微博、发表的文章等建立影响模型，以及影响的传播模型。深度学习近年来取得了突飞猛进的进展。相比于以往的浅层学习，其突出特点在于本文档来自技高网...

【技术保护点】
1.一种基于深度循环神经网络的社交网络情感建模方法，其特征在于，包括以下步骤：/n基于注意力模型对社交网络异构数据进行处理；/n构建基于深度LSTM的长时记忆模型，包括：构建推广的深度神经网络残差结构，构建深度LSTM模型，构建融合多LSTM模型的深度递归神经网络；/n将处理后的数据输入构建的基于深度LSTM的长时记忆模型，输出得到社交网络中用户不同时刻的情感状态。/n

【技术特征摘要】
1.一种基于深度循环神经网络的社交网络情感建模方法，其特征在于，包括以下步骤：
基于注意力模型对社交网络异构数据进行处理；
构建基于深度LSTM的长时记忆模型，包括：构建推广的深度神经网络残差结构，构建深度LSTM模型，构建融合多LSTM模型的深度递归神经网络；
将处理后的数据输入构建的基于深度LSTM的长时记忆模型，输出得到社交网络中用户不同时刻的情感状态。


2.根据权利要求1所述的社交网络情感建模方法，其特征在于，所述基于注意力模型对社交网络异构数据进行处理的步骤包括：
利用注意力模型根据当前状态从社交网络异构数据中根据需求提取符合重要性分布的信息，包括：
利用用户情感状态向量结合数据粗略表示生成所有异构数据的重要性分布并进行稀疏采样，所述数据粗略表示包括标签、标题、缩略图的向量化表示；
对提取的信息进行向量化处理，并生成紧凑向量表示，以输入后续模型中；
其中，对于图像，使用AutoEncoder生成紧凑向量表示；
对于音频，使用基于LSTM的AutoEncoder生成紧凑向量表示；
对于视频，先用AutoEncoder处理单张图片，再用处理音频的方法进行处理；
对于文字，用词向量进行表示。


3.根据权利要求1所述的社交网络情感建模方法，其特征在于，所述构建推广的深度神经网络残差结构的步骤包括：
在基础深度神经网络结构上增加从输入端直接到内部节点的通路；
对任意节点短接。


4.根据权利要求3所述的社交网络情感建模方法，其特征在于，所述构建深度LSTM模型的步骤包括：
构建情感变化时序模型和影响...

【专利技术属性】
技术研发人员：王晓慧，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11