[發(fā)明專利]跨領(lǐng)域文本情感分類模型的訓(xùn)練方法、裝置、設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 201810922343.1
• 申請日: 2018-08-14
• 公開（公告）號: CN109308318B
• 公開（公告）日: 2021-06-04
• 發(fā)明（設(shè)計(jì)）人: 傅向華;劉旺旺
• 申請（專利權(quán)）人: 深圳大學(xué)
• 主分類號: G06F16/35
• 分類號: G06F16/35
• 代理公司: 深圳青年人專利商標(biāo)代理有限公司 44350
• 代理人: 吳桂華

1.一種跨領(lǐng)域文本情感分類模型的訓(xùn)練方法，其特征在于，所述方法包括下述步驟：

根據(jù)預(yù)設(shè)的源領(lǐng)域樣本集和預(yù)設(shè)的目標(biāo)領(lǐng)域樣本集對預(yù)先構(gòu)建的跨領(lǐng)域文本情感分類模型進(jìn)行初次訓(xùn)練，所述目標(biāo)領(lǐng)域樣本集中的每個(gè)目標(biāo)樣本為無標(biāo)簽樣本，所述跨領(lǐng)域文本情感分類模型由自動編碼器、領(lǐng)域分類器以及情感分類器組成；

根據(jù)訓(xùn)練好的所述跨領(lǐng)域文本情感分類模型對所述目標(biāo)領(lǐng)域樣本集進(jìn)行情感分類，得到所述每個(gè)目標(biāo)樣本對應(yīng)的情感預(yù)測標(biāo)簽和所述每個(gè)目標(biāo)樣本屬于預(yù)設(shè)的每個(gè)情感類別的隸屬度；

根據(jù)所述隸屬度，通過預(yù)設(shè)的模糊值公式計(jì)算所述每個(gè)目標(biāo)樣本的情感模糊值，得到對應(yīng)的情感模糊值集；

將所述情感模糊值集中低于預(yù)設(shè)模糊閾值的情感模糊值對應(yīng)的目標(biāo)樣本和所述目標(biāo)樣本對應(yīng)的情感預(yù)測標(biāo)簽添加到所述源領(lǐng)域樣本集中，以對所述源領(lǐng)域樣本集進(jìn)行擴(kuò)充；

根據(jù)擴(kuò)充后的所述源領(lǐng)域樣本集和所述目標(biāo)領(lǐng)域樣本集對所述跨領(lǐng)域文本情感分類模型進(jìn)行再次訓(xùn)練，以完成對所述跨領(lǐng)域文本情感分類模型的訓(xùn)練；

根據(jù)預(yù)設(shè)的源領(lǐng)域樣本集和預(yù)設(shè)的目標(biāo)領(lǐng)域樣本集對預(yù)先構(gòu)建的跨領(lǐng)域文本情感分類模型進(jìn)行初次訓(xùn)練的步驟，包括：

根據(jù)預(yù)設(shè)的模型代價(jià)損失函數(shù)、所述源領(lǐng)域樣本集以及所述目標(biāo)領(lǐng)域樣本集對預(yù)先構(gòu)建的跨領(lǐng)域文本情感分類模型進(jìn)行初次訓(xùn)練，所述模型代價(jià)損失函數(shù)l_ALL為l_ALL＝l_SC+αl_AE+βl_DC，其中，l_SC為預(yù)設(shè)的所述情感分類器的代價(jià)損失函數(shù)，l_AE為預(yù)設(shè)的所述自動編碼器的代價(jià)損失函數(shù)，α為預(yù)設(shè)的所述自動編碼器的損失權(quán)衡參數(shù)，l_DC為預(yù)設(shè)的所述領(lǐng)域分類器的代價(jià)損失函數(shù)，β為預(yù)設(shè)的所述領(lǐng)域分類器的損失權(quán)衡參數(shù)。

2.如權(quán)利要求1所述的方法，其特征在于，根據(jù)預(yù)設(shè)的模型代價(jià)損失函數(shù)、所述源領(lǐng)域樣本集以及所述目標(biāo)領(lǐng)域樣本集對預(yù)先構(gòu)建的跨領(lǐng)域文本情感分類模型進(jìn)行初次訓(xùn)練的步驟，包括：

根據(jù)所述自動編碼器的代價(jià)損失函數(shù)和所述源領(lǐng)域樣本集對所述自動編碼器進(jìn)行訓(xùn)練，根據(jù)所述領(lǐng)域分類器的代價(jià)損失函數(shù)、所述源領(lǐng)域樣本集以及所述目標(biāo)領(lǐng)域樣本集對所述領(lǐng)域分類器進(jìn)行訓(xùn)練，根據(jù)所述情感分類器的代價(jià)損失函數(shù)和所述源領(lǐng)域樣本集對所述情感分類器進(jìn)行訓(xùn)練。

3.一種跨領(lǐng)域文本情感分類模型的訓(xùn)練裝置，其特征在于，所述裝置包括：

模型初次訓(xùn)練單元，用于根據(jù)預(yù)設(shè)的源領(lǐng)域樣本集和預(yù)設(shè)的目標(biāo)領(lǐng)域樣本集對預(yù)先構(gòu)建的跨領(lǐng)域文本情感分類模型進(jìn)行初次訓(xùn)練，所述目標(biāo)領(lǐng)域樣本集中的每個(gè)目標(biāo)樣本為無標(biāo)簽樣本，所述跨領(lǐng)域文本情感分類模型由自動編碼器、領(lǐng)域分類器以及情感分類器組成；

情感分類單元，用于根據(jù)訓(xùn)練好的所述跨領(lǐng)域文本情感分類模型對所述目標(biāo)領(lǐng)域樣本集進(jìn)行情感分類，得到所述每個(gè)目標(biāo)樣本對應(yīng)的情感預(yù)測標(biāo)簽和所述每個(gè)目標(biāo)樣本屬于預(yù)設(shè)的每個(gè)情感類別的隸屬度；

模糊值計(jì)算單元，用于根據(jù)所述隸屬度，通過預(yù)設(shè)的模糊值公式計(jì)算所述每個(gè)目標(biāo)樣本的情感模糊值，得到對應(yīng)的情感模糊值集；

源樣本集擴(kuò)充單元，用于將所述情感模糊值集中低于預(yù)設(shè)模糊閾值的情感模糊值對應(yīng)的目標(biāo)樣本和所述目標(biāo)樣本對應(yīng)的情感預(yù)測標(biāo)簽添加到所述源領(lǐng)域樣本集中，以對所述源領(lǐng)域樣本集進(jìn)行擴(kuò)充；以及

模型再次訓(xùn)練單元，用于根據(jù)擴(kuò)充后的所述源領(lǐng)域樣本集和所述目標(biāo)領(lǐng)域樣本集對所述跨領(lǐng)域文本情感分類模型進(jìn)行再次訓(xùn)練，以完成對所述跨領(lǐng)域文本情感分類模型的訓(xùn)練；

所述模型初次訓(xùn)練單元包括：

模型訓(xùn)練子單元，用于根據(jù)預(yù)設(shè)的模型代價(jià)損失函數(shù)、所述源領(lǐng)域樣本集以及所述目標(biāo)領(lǐng)域樣本集對預(yù)先構(gòu)建的跨領(lǐng)域文本情感分類模型進(jìn)行初次訓(xùn)練，所述模型代價(jià)損失函數(shù)l_ALL為l_ALL＝l_SC+αl_AE+βl_DC，其中，l_SC為預(yù)設(shè)的所述情感分類器的代價(jià)損失函數(shù)，l_AE為預(yù)設(shè)的所述自動編碼器的代價(jià)損失函數(shù)，α為預(yù)設(shè)的所述自動編碼器的損失權(quán)衡參數(shù)，l_DC為預(yù)設(shè)的所述領(lǐng)域分類器的代價(jià)損失函數(shù)，β為預(yù)設(shè)的所述領(lǐng)域分類器的損失權(quán)衡參數(shù)。