买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于混合双线性网络的双模态情感分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116049391B 。

龙图腾网通过国家知识产权局官网在2026-01-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211452090.9，技术领域涉及：G06F16/353；该发明授权一种基于混合双线性网络的双模态情感分类方法是由赵嘉旌;郭浩;杨成设计研发完成，并于2022-11-21向国家知识产权局提交的专利申请。

本一种基于混合双线性网络的双模态情感分类方法在说明书摘要公布了：本发明涉及一种基于混合双线性网络的双模态情感分类方法，属于情感分析技术领域，适用于意见挖掘、信息推荐、舆论监控等。本发明包括以下步骤：特征提取：利用预训练模型将多模态数据中的原始文本和图像分别转换为文本特征和图像特征；特征交互：将文本特征输入文本模块中生成浅层文本特征和深层文本特征；将图像特征输入图像模块中生成浅层图像特征和基于多递归注意力机制得到深层图像特征；特征融合：平行融合通过双线性融合的方式融合深层文本特征和深层图像特征，然后执行非线性函数变换，并与浅层文本特征和浅层图像特征进行拼接。交叉融合将深层文本特征和深层图像特征进行线性融合，然后执行非线性函数变换，再与浅层文本特征和浅层图像特征进行混合积运算。

本发明授权一种基于混合双线性网络的双模态情感分类方法在权利要求书中公布了：1.一种基于混合双线性网络的双模态情感分类方法，其特征在于包含以下步骤： 步骤1：对于自然语言文本，使用预训练模型将数据集中的原始自然语言文本转换为文本特征； 步骤2：对于图片，使用预训练模型将数据集中的原始图片转换为图像特征； 步骤3：将步骤1转换的文本特征进一步生成浅层文本特征； 步骤4：将步骤1转换的文本特征进一步生成深层文本特征； 步骤5：将步骤2转换的图像特征进一步生成浅层图像特征； 步骤6：根据步骤1转换的文本特征和步骤2转换的图像特征进一步生成深层图像特征； 多递归注意力机制由多个文本引导的图像注意力单元串联构成，对于多递归注意力机制中的第j个文本引导的图像注意力单元，使用符号表示，图像注意力单元构建具体步骤为： 第一，对第j个文本引导的图像注意力单元的图像特征进行卷积运算得到Query特征图Q和Key特征图K，计算方法如公式5和6所示： ,5 ,6 将文本特征作为Value特征图V，计算方法如公式7所示： ，7 第二，利用Softmax函数将Query特征图、Key特征图的乘积归一化为概率分布，然后再乘以Value特征图得到权重求和的表示，计算方法如公式8所示： ，8 第三，将待学习的参数𝛾和权重求和的表示相乘，得到第j个文本引导的图像注意力单元的中间输出，计算方法如公式9所示： ,9 其中，L表示文本引导的图像注意力单元的最大个数； 将多个文本引导的图像注意力单元递归执行，计算方法如公式10所示： ,10 该公式表示第j个文本引导的图像注意力单元的中间输出通过第j-1个文本引导的图像注意力单元的中间输出递归求解； 第四，将每个文本引导的图像注意力单元的中间输出进行最大池化运算，然后输入至全连接层，得到各个文本引导的图像注意力单元的最终输出，计算方法如公式11所示： ,11 其中，Maxpool·表示最大池化运算，Wtemp表示图像注意力单元权重矩阵，btemp表示图像注意力单元偏差值； 将每一个文本引导的图像注意力单元的最终输出进行拼接，得到多递归注意力机制的输出，计算方法如公式12所示： ,12 其中，Concat·表示拼接函数； 最后，将输入全连接层中得到深层图像特征，计算方法如公式13所示： ,13 其中，表示深层图像权重矩阵，表示深层图像偏差值； 步骤7：基于平行或交叉融合策略生成平行或交叉融合多模态特征进行情感分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。