一种基于稀疏高斯条件随机场的情感分类方法及装置制造方法及图纸

本发明专利技术提供一种基于稀疏高斯条件随机场的情感分类方法及装置，方法包括如下步骤：A、对训练集中的原始特征表示进行进行低秩特征分解后得到潜在特征表示集，构建潜在特征表示映射到自身的第一损失函数；B、借助逆协方差矩阵获取相关关系，并由训练集的潜在特征表示和预测标签分布构建高斯条件随机场模型，以得到由潜在特征表示映射到预测标签分布的第二损失函数；C、低秩表示对训练集上的预测标签分布进行全局约束，从而使得预测标签分布的全局相关性得到加强，并构建预测标签分布到自身之间的第三损失函数；D、获取总损失函数，对各个变量进行交替优化，直至总损失函数收敛，再利用测试集得出最终的分类结果。本发明专利技术将低秩学习、高斯条件随机场和相关性学习融合在一起，实现了更好的分类效果。实现了更好的分类效果。实现了更好的分类效果。

【技术实现步骤摘要】
一种基于稀疏高斯条件随机场的情感分类方法及装置


[0001]本专利技术涉及一种基于稀疏高斯条件随机场的情感分类方法及装置。

技术介绍

[0002]自20世纪以来，情感计算作为人工智能、计算机视觉等学科的重要分支，逐渐受到研究人员的重视。由于情感标签具有模糊性和主观性，具有标签模糊性的标签分布式学习算法成为了热门话题。对于没有足够和完整的训练数据的分类任务而言，标签分布式学习可以引入额外信息从而加强学习过程。除此之外，标签分布式学习相比于单标签和多标签学习而言为标签表示提供更多的灵活性，是模糊理论在标签分类领域的创新应用。
[0003]在解决情感计算任务过程中，当前大部分算法多是自行构造相关矩阵或是针对预测标签进行直接全局或局部低秩处理，而未考虑其数据的分布情况。故如何有效的发掘情感标签之间相关性信息成为有价值的研究方向，因此提出一种结合数据分布特性的有效的情感分布式学习算法是非常有意义的。

技术实现思路

[0004]本专利技术的目的是针对现有技术的不足，提出一种基于稀疏高斯条件随机场的情感分类方法及装置，将低秩学习、高斯条件随机场和相关性学习融合在一起，实现了更好的分类效果。
[0005]本专利技术通过以下技术方案实现：
[0006]一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：包括如下步骤：
[0007]A、将原始数据集中各图片的原始特征表示集分为训练集和测试集，对训练集中的原始特征表示进行低秩特征分解后得到潜在特征表示集，其训练得到的低秩映射矩阵后期用于测试集潜在特征表示的构建，从而使潜在特征表示具有低秩性，构建潜在特征表示映射到自身的第一损失函数；
[0008]B、通过稀疏回归模型获取预测标签分布，并借助逆协方差矩阵获取潜在特征表示自身、潜在特征表示与预测标签分布之间、以及预测标签分布自身之间的相关关系，并根据上述相关关系，由训练集的潜在特征表示和预测标签分布构建高斯条件随机场模型，以得到由潜在特征表示映射到预测标签分布的第二损失函数；
[0009]C、利用低秩对训练集上的预测标签分布进行全局约束，从而使得预测标签分布的全局相关性得到加强，，并使用KL散度来约束训练集的预测标签分布与真实标签分布之间的差异，并构建预测标签分布到自身之间的第三损失函数；
[0010]D、将第一、第二、第三损失函数加权获取总损失函数，引入拉格朗日乘子，对各个变量进行交替优化，直至总损失函数收敛，再利用测试集得到预测标签分布。
[0011]进一步的，所述步骤A中的第一损失函数为：
[0012][0013][0014]其中，X为从图片提取的原始特征表示，为经过低秩特征分解后的潜在特征表示，E为误差矩阵，保留原始特征表示的稀疏性，D为低秩映射矩阵，保留原始特征表示的低秩性，为潜在特征表示的逆协方差矩阵，tr(
·
)代表矩阵的迹，||
·
||1代表矩阵的1范数，||
·
||
*
代表矩阵的核范数，λ1,λ2,λ3为平衡参数。
[0015]进一步的，所述步骤B中的第二损失函数为：
[0016][0017]其中，N为训练集对应的图片示例个数，为具有低秩特性的潜在特征表示，为预测标签分布，为潜在特征表示与预测标签分布之间的逆协方差子矩阵，为预测标签分布之间的逆协方差子矩阵，|
·
|代表矩阵的行列式，tr()代表矩阵的迹，||
·
||1代表矩阵的1范数，λ4,λ5为平衡参数。
[0018]进一步的，所述步骤C中的第三损失函数为：
[0019][0020]其中，γ，λ6是平衡参数，KL(
·
)表示KL散度损失。
[0021]进一步的，所述步骤D中的总损失函数为：
[0022][0023][0024]进一步的，所述步骤A中对各图片进行特征分解包括：从图片中提取维数为243维的语义特征，并将各语义特征归一化以得到原始特征表示X。
[0025]进一步的，所述步骤D中，总损失函数收敛后，得到最终的低秩映射矩阵D和逆协方差矩阵Θ，再将测试集的原始特征表示与该低秩映射矩阵D相乘得到潜在特征表示，随后将其通过逆协方差矩阵Θ构建稀疏回归模型，，即可得到最终的预测标签分布，即得到最终的分类结果。
[0026]进一步的，还包括步骤E：利用KL距离和Cosine相似度对最终结果进行评价。
[0027]进一步的，所述步骤B中的稀疏回归模型为：
[0028][0029]其中，为第i个图片的预测标签分布，为第i个图片通过低秩分解获得的潜在特征表示，B∈R
M
×
N
为稀疏回归参数，ε
i
∈R
M
为对应的误差项，M，N分别对应潜在特征表示和预测标签分布对应的维度。
[0030]本专利技术还通过以下技术方案实现：
[0031]一种基于稀疏高斯条件随机场的情感分类装置，包括：
[0032]第一损失函数构建模块：用于将原始数据集中各图片的原始特征表示集分为训练集和测试集，对测试集中的原始特征训练集中的原始特征表示进行低秩特征分解后得到潜在特征表示集，其训练得到的低秩映射矩阵后期用于测试集潜在特征表示的构建，从而使潜在特征表示具有低秩性，构建潜在特征表示映射到自身的第一损失函数；
[0033]第二损失函数构建模块：用于通过稀疏回归模型获取预测标签分布，并借助逆协方差矩阵获取潜在特征表示自身、潜在特征表示与预测标签分布之间、以及预测标签分布自身之间的相关关系，并根据上述相关关系，由训练集的潜在特征表示和预测标签分布构建高斯条件随机场模型，以得到由潜在特征表示映射到预测标签分布的第二损失函数；
[0034]第三损失函数构建模块：用于利用低秩表示对训练集上的预测标签分布进行全局约束，从而使得预测标签分布的全局相关性得到加强，并使用KL散度来约束预测标签分布与真实标签分布之间的差异，并构建预测标签分布到自身之间的第三损失函数；
[0035]结果确定模块：用于将第一、第二、第三损失函数加权获取总损失函数，引入拉格朗日乘子，对各个变量进行交替优化，直至总损失函数收敛，再利用测试集得出最终的分类结果。
[0036]本专利技术具有如下有益效果：
[0037]1、本专利技术利用低秩表示得到潜在特征表示，并得到潜在特征表示映射到自身的第一损失函数，借助逆协方差矩阵获取潜在特征表示自身、潜在特征表示与预测标签分布之间、以及预测标签分布自身之间的相关关系，并根据上述相关关系构建高斯条件随机场模型，得到由潜在特征表示映射到预测标签分布的第二损失函数，再构建预测标签分布到自身之间的第三损失函数，将第一、第二、第三损失函数加权获得总损失函数，可见，本专利技术将低秩学习、高斯条件随机场和相关性学习融合在一起，实现了更好的分类效果，尤其适合情感图片的标签分布式学习。当前大多算法主要通过挖掘标签的依赖特性来优化情感标签预测问题，但本专利技术将多元稀疏回归问题拓本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：包括如下步骤：A、将原始数据集中各图片的原始特征表示集分为训练集和测试集，对训练集中的原始特征表示进行低秩特征分解后得到潜在特征表示集，其训练得到的低秩映射矩阵后期用于测试集潜在特征表示的构建，从而使潜在特征表示具有低秩性，构建潜在特征表示映射到自身的第一损失函数；B、通过稀疏回归模型获取预测标签分布，并借助逆协方差矩阵获取潜在特征表示自身、潜在特征表示与预测标签分布之间、以及预测标签分布自身之间的相关关系，并根据上述相关关系，由训练集的潜在特征表示和预测标签分布构建高斯条件随机场模型，以得到由潜在特征表示映射到预测标签分布的第二损失函数；C、利用低秩对训练集上的预测标签分布进行全局约束，从而使得预测标签分布的全局相关性得到加强，，并使用KL散度来约束训练集的预测标签分布与真实标签分布之间的差异，并构建预测标签分布到自身之间的第三损失函数；D、将第一、第二、第三损失函数加权获取总损失函数，引入拉格朗日乘子，对各个变量进行交替优化，直至总损失函数收敛，再利用测试集得到预测标签分布。2.根据权利要求1所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤A中的第一损失函数为：所述步骤A中的第一损失函数为：其中，X为从图片提取的原始特征表示，为经过低秩特征分解后的潜在特征表示，E为误差矩阵，保留原始特征表示的稀疏性，D为低秩映射矩阵，保留原始特征表示的低秩性，为潜在特征表示的逆协方差矩阵，tr(
·
)代表矩阵的迹，||
·
||1代表矩阵的1范数，||
·
||
*
代表矩阵的核范数，λ1,λ2,λ3为平衡参数。3.根据权利要求2所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤B中的第二损失函数为：其中，N为训练集对应的图片示例个数，为具有低秩特性的潜在特征表示，为预测标签分布，为潜在特征表示与预测标签分布之间的逆协方差子矩阵，为预测标签分布之间的逆协方差子矩阵，|
·
|代表矩阵的行列式，tr()代表矩阵的迹，||
·
||1代表矩阵的1范数，λ4,λ5为平衡参数。4.根据权利要求3所述的一种基于稀疏高斯条件随机场的情感分类方法，其特征在于：所述步骤C中的第三损失函数为：其中，γ，λ6是平衡参数，KL(
·
)表示KL散度损失。5.根据权利要求4所述的一种基于稀疏高斯条件随机场的情感分类方法，...

【专利技术属性】
技术研发人员：苏育挺，
申请(专利权)人：泉州津大智能研究院有限公司，
类型：发明
国别省市：