本發(fā)明涉及自然語(yǔ)言處理，具體涉及基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法、裝置。

背景技術(shù)：

1、在當(dāng)今數(shù)字化時(shí)代，自然語(yǔ)言處理（nlp）作為人工智能的關(guān)鍵領(lǐng)域，正不斷發(fā)展并廣泛應(yīng)用于信息提取、情感分析、智能客服等多個(gè)場(chǎng)景。情感分析作為其中的一個(gè)重要分支，旨在從文本中識(shí)別和理解情感傾向，對(duì)于商業(yè)決策、輿情監(jiān)控和社會(huì)治理等領(lǐng)域具有極高的應(yīng)用價(jià)值。然而，情感表達(dá)并非總是直接和顯式的，隱喻作為一種復(fù)雜而常見(jiàn)的語(yǔ)言現(xiàn)象，常常被用來(lái)傳遞情感信息。情感隱喻通過(guò)將抽象的情感與具體的事物或概念相聯(lián)系，增強(qiáng)了語(yǔ)言的表現(xiàn)力，但也為自動(dòng)識(shí)別帶來(lái)了巨大的挑戰(zhàn)。

2、情感隱喻的識(shí)別不僅需要理解文本的字面意義，還需深入挖掘其背后的隱含意義和情感色彩。這種復(fù)雜性源于隱喻的多義性、文化依賴(lài)性和上下文敏感性。例如，同一隱喻在不同語(yǔ)境中可能表達(dá)不同的情感，甚至可能因文化差異而被誤解。此外，隨著社交媒體和網(wǎng)絡(luò)平臺(tái)的興起，海量的文本數(shù)據(jù)中夾雜著大量的噪聲和冗余信息，這些因素進(jìn)一步干擾了情感隱喻的準(zhǔn)確識(shí)別。

3、傳統(tǒng)的自然語(yǔ)言處理方法在處理情感隱喻時(shí)，往往依賴(lài)于規(guī)則或簡(jiǎn)單的統(tǒng)計(jì)模型，但這些方法難以應(yīng)對(duì)復(fù)雜多變的隱喻表達(dá)和語(yǔ)義多樣性。近年來(lái)，深度學(xué)習(xí)技術(shù)雖然在特征提取和模式識(shí)別方面取得了顯著進(jìn)展，但在處理情感隱喻時(shí)仍存在局限性。一方面，深度學(xué)習(xí)模型通常需要大量的標(biāo)注數(shù)據(jù)來(lái)訓(xùn)練，而情感隱喻的標(biāo)注工作既耗時(shí)又復(fù)雜；另一方面，這些模型缺乏對(duì)人類(lèi)認(rèn)知過(guò)程的模擬，難以有效處理隱喻的動(dòng)態(tài)性和多粒度特征。

4、此外，情感隱喻的識(shí)別還面臨著多維度的挑戰(zhàn)。例如，情感隱喻的語(yǔ)義可能跨越多個(gè)粒度層次，從詞義到句子結(jié)構(gòu)，再到篇章語(yǔ)境，每個(gè)層次都可能包含關(guān)鍵信息。然而，現(xiàn)有技術(shù)在多粒度特征融合和協(xié)同推理方面仍存在不足，難以充分利用不同粒度的知識(shí)來(lái)提高識(shí)別精度。同時(shí)，大規(guī)模文本數(shù)據(jù)中的噪聲和冗余信息也會(huì)干擾模型的訓(xùn)練和推理過(guò)程，導(dǎo)致識(shí)別效率低下和準(zhǔn)確性不足。

5、因此，當(dāng)前情感隱喻識(shí)別領(lǐng)域亟需一種能夠有效處理多粒度特征、模擬認(rèn)知過(guò)程動(dòng)態(tài)性，并具備高效噪聲過(guò)濾能力的新方法。這種方法應(yīng)能夠在復(fù)雜語(yǔ)境中準(zhǔn)確識(shí)別情感隱喻，并同時(shí)輸出隱喻標(biāo)簽和情感類(lèi)別，為情感分析提供更全面、更精準(zhǔn)的技術(shù)支持。

6、有鑒于此，提出本申請(qǐng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法、裝置，能至少部分的改善上述問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其包括：

4、根據(jù)預(yù)設(shè)的公開(kāi)語(yǔ)料數(shù)據(jù)，構(gòu)建情感隱喻語(yǔ)料庫(kù)，從所述情感隱喻語(yǔ)料庫(kù)中劃分得到訓(xùn)練語(yǔ)料集和測(cè)試語(yǔ)料集，并對(duì)訓(xùn)練語(yǔ)料集和測(cè)試語(yǔ)料集進(jìn)行特征向量化處理，得到特征向量；

5、基于模糊多粒度知識(shí)抽取技術(shù)，對(duì)所述特征向量進(jìn)行提取處理，提取出多粒度知識(shí)，得到原型模式向量和測(cè)試模式向量；

6、采用匹配網(wǎng)絡(luò)對(duì)所述原型模式向量和測(cè)試模式向量進(jìn)行構(gòu)造處理，構(gòu)造生成情感隱喻序參量；

7、將所述情感隱喻序參量輸入至競(jìng)爭(zhēng)網(wǎng)絡(luò)中，進(jìn)行動(dòng)力學(xué)演化處理，得到感隱喻標(biāo)注模式，基于感隱喻標(biāo)注模式得到演化結(jié)果；

8、對(duì)演化結(jié)果進(jìn)行標(biāo)注，得到標(biāo)注結(jié)果，并根據(jù)標(biāo)注結(jié)果識(shí)別文本中的隱喻標(biāo)簽和情感類(lèi)別，得到情感隱喻識(shí)別結(jié)果。

9、本發(fā)明還提供了一種基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別裝置，其包括：

10、語(yǔ)料處理單元，用于根據(jù)預(yù)設(shè)的公開(kāi)語(yǔ)料數(shù)據(jù)，構(gòu)建情感隱喻語(yǔ)料庫(kù)，從所述情感隱喻語(yǔ)料庫(kù)中劃分得到訓(xùn)練語(yǔ)料集和測(cè)試語(yǔ)料集，并對(duì)訓(xùn)練語(yǔ)料集和測(cè)試語(yǔ)料集進(jìn)行特征向量化處理，得到特征向量；

11、知識(shí)抽取單元，用于基于模糊多粒度知識(shí)抽取技術(shù)，對(duì)所述特征向量進(jìn)行提取處理，提取出多粒度知識(shí)，得到原型模式向量和測(cè)試模式向量；

12、匹配網(wǎng)絡(luò)單元，用于采用匹配網(wǎng)絡(luò)對(duì)所述原型模式向量和測(cè)試模式向量進(jìn)行構(gòu)造處理，構(gòu)造生成情感隱喻序參量；

13、演化推理單元，用于將所述情感隱喻序參量輸入至競(jìng)爭(zhēng)網(wǎng)絡(luò)中，進(jìn)行動(dòng)力學(xué)演化處理，得到感隱喻標(biāo)注模式，基于感隱喻標(biāo)注模式得到演化結(jié)果；

14、標(biāo)注識(shí)別單元，用于對(duì)演化結(jié)果進(jìn)行標(biāo)注，得到標(biāo)注結(jié)果，并根據(jù)標(biāo)注結(jié)果識(shí)別文本中的隱喻標(biāo)簽和情感類(lèi)別，得到情感隱喻識(shí)別結(jié)果。

15、綜上，所述基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法旨在解決現(xiàn)有技術(shù)中情感隱喻識(shí)別精度不足、特征提取效率低下以及難以處理大規(guī)模文本數(shù)據(jù)中噪聲和冗余信息的問(wèn)題。其核心在于對(duì)文本數(shù)據(jù)進(jìn)行詞嵌入處理，將其轉(zhuǎn)化為向量表示并組合成矩陣；通過(guò)模糊多粒度知識(shí)抽取技術(shù)，基于粒球計(jì)算和純度閾值篩選，構(gòu)建滿足條件的粒球列表，并利用可變精度模糊依賴(lài)函數(shù)評(píng)估候選特征的重要性，最終生成優(yōu)化后的特征約簡(jiǎn)矩陣。這一過(guò)程有效去除了噪聲和冗余特征，保留了具有強(qiáng)鑒別能力的關(guān)鍵特征，顯著提升了特征選擇的效率和準(zhǔn)確性。

16、進(jìn)一步地，從特征約簡(jiǎn)矩陣中分離出原型模式向量和測(cè)試模式向量，分別構(gòu)建訓(xùn)練集和測(cè)試集的數(shù)值矩陣。通過(guò)匹配網(wǎng)絡(luò)構(gòu)造情感隱喻序參量，并將其輸入到競(jìng)爭(zhēng)網(wǎng)絡(luò)中進(jìn)行動(dòng)力學(xué)演化過(guò)程。這一動(dòng)態(tài)演化機(jī)制能夠有效識(shí)別情感隱喻的標(biāo)注模式，并通過(guò)標(biāo)注結(jié)果并行輸出隱喻標(biāo)簽和情感類(lèi)別，最終實(shí)現(xiàn)情感隱喻的精準(zhǔn)識(shí)別。本方法通過(guò)模糊多粒度知識(shí)抽取與協(xié)同演化推理的結(jié)合，不僅提高了情感隱喻識(shí)別的準(zhǔn)確性和魯棒性，還為情感隱喻分析提供了高效的技術(shù)方案。其創(chuàng)新性的技術(shù)路徑能夠有效應(yīng)對(duì)高維文本數(shù)據(jù)中的復(fù)雜性，解決了傳統(tǒng)方法在處理大規(guī)模文本數(shù)據(jù)時(shí)的局限性，為情感隱喻相關(guān)領(lǐng)域提供了更準(zhǔn)確、更高效的解決方案，具有重要的學(xué)術(shù)和應(yīng)用價(jià)值。

技術(shù)特征：

1.一種基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其特征在于，根據(jù)預(yù)設(shè)的公開(kāi)語(yǔ)料數(shù)據(jù)，構(gòu)建情感隱喻語(yǔ)料庫(kù)，從所述情感隱喻語(yǔ)料庫(kù)中劃分得到訓(xùn)練語(yǔ)料集和測(cè)試語(yǔ)料集，并對(duì)訓(xùn)練語(yǔ)料集和測(cè)試語(yǔ)料集進(jìn)行特征向量化處理，得到特征向量，具體為：

3.根據(jù)權(quán)利要求2所述的基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其特征在于，所述情感類(lèi)別標(biāo)注包括樂(lè)、好、怒、哀、懼、惡、驚。

4.根據(jù)權(quán)利要求1所述的基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其特征在于，基于模糊多粒度知識(shí)抽取技術(shù)，對(duì)所述特征向量進(jìn)行提取處理，提取出多粒度知識(shí)，得到原型模式向量和測(cè)試模式向量，具體為：

5.根據(jù)權(quán)利要求1所述的基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其特征在于，采用匹配網(wǎng)絡(luò)對(duì)所述原型模式向量和測(cè)試模式向量進(jìn)行構(gòu)造處理，構(gòu)造生成情感隱喻序參量，具體為：

6.根據(jù)權(quán)利要求1所述的基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其特征在于，動(dòng)力學(xué)演化處理的數(shù)學(xué)表達(dá)式為：，其中，為注意參數(shù)，為自激勵(lì)項(xiàng)，為自抑制項(xiàng)，為側(cè)抑制項(xiàng)。

7.根據(jù)權(quán)利要求6所述的基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法，其特征在于，對(duì)演化結(jié)果進(jìn)行標(biāo)注，得到標(biāo)注結(jié)果，具體為：

8.一種基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別裝置，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提供了基于知識(shí)抽取和協(xié)同演化推理的情感隱喻識(shí)別方法、裝置，涉及自然語(yǔ)言處理技術(shù)領(lǐng)域，該方法通過(guò)構(gòu)建高質(zhì)量的情感隱喻語(yǔ)料庫(kù)，并結(jié)合先進(jìn)的特征向量化技術(shù)，對(duì)文本數(shù)據(jù)進(jìn)行深度處理；利用模糊多粒度知識(shí)抽取技術(shù)，精準(zhǔn)提取關(guān)鍵特征，形成優(yōu)化后的特征子集，從而有效去除冗余信息并提升特征選擇的精確度；進(jìn)一步通過(guò)匹配網(wǎng)絡(luò)與協(xié)同演化推理機(jī)制，實(shí)現(xiàn)情感隱喻的動(dòng)態(tài)識(shí)別與標(biāo)注，能夠同時(shí)輸出隱喻標(biāo)簽和情感類(lèi)別。旨在解決現(xiàn)有技術(shù)中情感隱喻識(shí)別精度不足、推理能力有限以及難以處理大規(guī)模文本數(shù)據(jù)中噪聲和冗余信息的問(wèn)題。

技術(shù)研發(fā)人員：黃哲煌,陳詠希,莫毓昌,黃川波
受保護(hù)的技術(shù)使用者：華僑大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15