110_092-023AP-TW
發佈日期 :
2009-04-30
| I269192 | |||||||||||||||||||||||||||||
| 語意情緒分類系統(全文下載) | |||||||||||||||||||||||||||||
| 2006/12/21 | |||||||||||||||||||||||||||||
| I269192 | |||||||||||||||||||||||||||||
| 2003/08/11 | |||||||||||||||||||||||||||||
| 092121943 | |||||||||||||||||||||||||||||
| G06F-017/21(2006.01) | |||||||||||||||||||||||||||||
| 33-36 | |||||||||||||||||||||||||||||
| 歐奉璋 | |||||||||||||||||||||||||||||
| 本發明係一種語意情緒分類系統，主要包括一與領域無關且表達特定語意的情緒規則資料庫建立程序及一情緒分類模組；其係經由歸納情緒心理學中能引發情緒的基 本因素，並以語意標籤為中心，運用資料探勘之自動規則生成技術，將語句化為向量空間並訓練出一情緒分類模組將語句表達的情緒分類，本發明可在原有之人機溝 通介面上增加情緒溝通維度；藉由對使用者情緒反應的探知，輔助其在其餘溝通介面上之不足，同時可取代電腦系統慣常之僵化反應介面，以利更自然之溝通介面設 計。 | |||||||||||||||||||||||||||||
| 1.一種語意情緖分類系統,其係先建立一語意標籤系統,而該語意標籤之建立係包含有一基本規則收集、一 語意標籤定義及一語意標籤定義準則,並藉由一延伸式標籤語言(XML eXtensible Markup Language)來記錄所有得到不同的語意標籤定義,以供電腦自動標註語意標籤; 一語意特徵轉換系統,係用以將語意標籤中所得之情緖特徵詞轉換為一向量;以及 一支持向量機模組訓練系統,係藉由一可適合資料稀少時的分類模組,由輸入之情緖向量訓練得到分類模組。 2.依申請專利範圍第1項所述之語意情緖分類系統,其中,該基本規則收集主要著重的兩種情緖語意,分別是快樂與不快樂。 3.依申請專利範圍第1項所述之語意情緖分類系統,其中,該語意標籤定義包括有:一特定語意標籤,該特定語意標籤係表達特定語意的語意詞、一否定語意標籤,該否定語意標籤係具有否定意味的語意詞及一轉折輔助語意標籤,該轉折輔助語意標籤係具有語氣轉折的語意詞。 4.依申請專利範圍第1項所述之語意情緖分類系統,其中,該語意標籤定義準則係配合知網(Hownet)中的概念定義、知網中的概念連結、知網中的主要特徵階層、詞性、詞位、特定關鍵詞及詞彙間組成樣式而組成的族群。 5.依申請專利範圍第1項所述之語意情緖分類系統,其中,該語意特徵轉換系統係包含有:一自動語意標籤標記、一語意記錄擷取、情緖規則探勘及一特徵轉換所構成。 6.依申請專利範圍第5項所述之語意情緖分類系統,其中,該自動語意標籤標記,其係將文句中具有表達某一特別語意的詞標註上標籤,而該自動語意標籤標記之自動標記能力主要係來自上述語意標籤的定義。 7.依申請專利範圍第5項所述之語意情緖分類系統,其中,該語意記錄擷取,其係將特定語意標籤的內容以及語意標籤的詞外其它具有候選詞性的詞轉換為一筆語意記錄。 8.依申請專利範圍第5項所述之語意情緖分類系統,其中,該情緖規則探勘,其係將同領域中之共同情緖情況擷取出,並以規則的形式表現,可利用來將每一筆語意記錄轉換為一向量表示。 9.依申請專利範圍第5項所述之語意情緖分類系統,其中,該特徵轉換,係將語意記錄與情緖規則中的主要特徵詞部分作檢查後加以轉換。 10.依申請專利範圍第1項所述之語意情緖分類系統,其中,將該全部的語意記錄轉換為向量表示後,可得一個原始矩陣WMxN,而該列M為全部語意記錄筆數,行N為情緖規則數。 11.依申請專利範圍第1項所述之語意情緖分類系統,其中,該支持向量機模組訓練系統係包含有:一奇異値分解、一支持向量機模組訓練及一分類模組訓緣所構成並在該支持向量機模組訓練之前,係運用奇異値分解將原始的向量空間轉換至另一維度間正交的向量空間上。 12. 依申請專利範圍第11項所述之語意情緖分類系統,其中,該奇異値分解係令原矩陣為WMxN,則W經過奇異値分解後為 WM�N=WM�R.WR�R.VTR�N,其中U為(M�R)的左奇異矩陣; S為(R�R)由奇異値組成的對角矩陣; V為(N�R)的右奇異矩陣; R min(M, N)為所決定的新的向量空間的維度。 13.依申請專利範圍第11項所述之語意情緖分類系統,其中,該支持向量機模組訓練係經由定義一個決策函數(Deeision funetionD(x))來找到一條分隔線,而該決策函數(Decision funetion D(x))的定義如下: D(x)=(w.x)+w0,其中 ,因此該決策函數(Decision funetion D(x))可改寫如: ,若資料無法在所在的維度下明確的分類,則會將資料轉換至高維度之後再做分類,轉換公式如下: �:Rn→Rm, m≧n 為簡化內積運算,係定義kernel function(核心函式)加快運算的速度, kernel function定義如下: k(x, y)=�(x).�(xj) 而常用的kernel function有下列幾種: Simple dot:k(x, y)=x.y Vovk's polynomial:k(x, y)=(x.y+1)p Radial basis function:k(x, y)=exp(-∥x-y∥2/2�2) Sigmoid kernel:k(x, y)=tanh(k(x.y)-�)。 14.依申請專利範圍第1項所述之語意情緖分類系統,其中,該分類模組,其係經過向量空間的轉換後,即可由這些在語意特徵空間上的點來訓練分類模組,可得到三種情緖分類的分類模組,分別是不快樂、快樂與無情緖。 圖式簡單說明: 第1圖,係本發明之語意情緖分類系統訓練架構示意圖。 第2圖,係本發明之語意情緖分類系統測試架構示意圖。 第3圖,係知網的記錄形式示意圖。 第4A、4B及4C圖,係知網的附加屬性示意圖。 第5A、5B及5C圖,係本發明之特定語意標籤示意圖。 第6圖,係本發明之否定語意標籤示意圖。 第7圖,係本發明之轉折輔助語意標籤示意圖。 第8圖,係本發明之自動語意標籤標註程序示意圖。 第9A及9B圖,係本發明之語意記錄擷取程序示意圖。 第10圖,係本發明之Apriori algorithm示意圖。 第11圖,係本發明之Adaptation of Apriori algorithm示意圖。 第12圖,係本發明之奇異値分解示意圖。 第13圖,係本發明之支持向量機分類示意圖。 第14圖,係本發明之語意情緖分類系統示意圖。 第15圖,係本發明之語意情緖分類模組訓練系統示意圖。 第16圖,係本發明之核心函式為dot product之分類正確率與對應參數關係示意圖。 |
|||||||||||||||||||||||||||||
| 專利權異動 |
|
||||||||||||||||||||||||||||
| 申請案件狀態 |
|
瀏覽數:
分享