[發明專利]終身學習框架下基于GCN的跨領域情感分析方法

有效

• 申請號: 202011014754.4
• 申請日: 2020-09-24
• 公開（公告）號: CN112182209B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 韓東紅;白霖;向偉豪;王波濤;吳剛;喬百友
• 申請（專利權）人: 東北大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/33;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣東有知貓知識產權代理有限公司 44681
• 代理人: 王臻巍

1.終身學習框架下基于GCN的跨領域情感分析方法，其特征在于：由如下過程所實現：

(1)提出基于圖卷積神經網絡的跨領域情感分類算法，即CDS-GCN，該算法包括如下步驟：

步驟一：獲取亞馬遜數據集，對數據集的所有文本進行平衡樣本處理；

步驟二：文本預處理；

步驟三：文本表示，將經過步驟二后的文本表示成特征向量；

步驟四：生成圖鄰接矩陣A_graph；

步驟五：訓練GCN；

步驟六：CDS-GCN算法實驗。

(2)在提出CDS-GCN的基礎上，結合終身學習思想提出終身學習框架下基于圖卷積神經網絡的跨領域情感分類算法，即LLCDS-GCN，該算法包括如下步驟：

步驟一：輸入序列化任務t₀,t₁,…t_n；

步驟二：接受當前序列任務t；

步驟三：經過過程1中的CDS-GCN算法生成特征矩陣M_x，標簽矩陣M_y；

步驟四：判斷當前任務t是否為第一個跨領域情感分類任務；

步驟五：使用過程1中CDS-GCN算法中的方法構建圖鄰接矩陣；

步驟六：使用圖卷積神經網絡進行分類；

步驟七：保存新知識；

步驟八：通過公式計算鄰接矩陣；

步驟九：更新新知識；

步驟十：更新V_s，ω∈V_q，concurrent^KB，term^KB(ω)；

步驟十一：實驗對比。

2.根據權利要求1所述的終身學習框架下基于GCN的跨領域情感分析方法，其特征在于：過程(2)中步驟一的每一個任務代表了用一個領域數據集來進行對另外一個領域的跨領域情感分類。

3.根據權利要求1所述的終身學習框架下基于GCN的跨領域情感分析方法，其特征在于：過程(2)中步驟七保存p^t(ω|+)，p^t(ω|-)，term^t(ω)，Accuracy^t，concurrent^t，其中p^t(ω|+)表示任務t中特征ω表達正向情感的概率，p^t(ω|-)表示任務t中特征ω表達負向情感的概率，term^t(ω)表示任務t中特征ω的出現次數，Accuracy^t表示任務t中測試集的正確率，concurrent^t表示任務t中特征的共現矩陣。

4.根據權利要求1所述的終身學習框架下基于GCN的跨領域情感分析方法，其特征在于：過程(2)中步驟八所用的公式如下：

5.根據權利要求4所述的終身學習框架下基于GCN的跨領域情感分析方法，其特征在于：過程(2)中步驟八所用的V_feature為特征集合，V_text為文本集合，term(m)與term(k)為特征的出現次數，α為最低納入考慮的頻數，term^KB(m)為特征m在知識庫中存儲的頻率數值，c_m,k為矩陣concurrent^KB中元素，代表特征m與k的歷史共現次數。