[发明专利]终身学习框架下基于GCN的跨领域情感分析方法

权利要求书

1.终身学习框架下基于GCN的跨领域情感分析方法，其特征在于：由如下过程所实现：

(1)提出基于图卷积神经网络的跨领域情感分类算法，即CDS-GCN，该算法包括如下步骤：

步骤一：获取亚马逊数据集，对数据集的所有文本进行平衡样本处理；

步骤二：文本预处理；

步骤三：文本表示，将经过步骤二后的文本表示成特征向量；

步骤四：生成图邻接矩阵A_graph；

步骤五：训练GCN；

步骤六：CDS-GCN算法实验。

(2)在提出CDS-GCN的基础上，结合终身学习思想提出终身学习框架下基于图卷积神经网络的跨领域情感分类算法，即LLCDS-GCN，该算法包括如下步骤：

步骤一：输入序列化任务t₀,t₁,…t_n；

步骤二：接受当前序列任务t；

步骤三：经过过程1中的CDS-GCN算法生成特征矩阵M_x，标签矩阵M_y；

步骤四：判断当前任务t是否为第一个跨领域情感分类任务；

步骤五：使用过程1中CDS-GCN算法中的方法构建图邻接矩阵；

步骤六：使用图卷积神经网络进行分类；

步骤七：保存新知识；

步骤八：通过公式计算邻接矩阵；

步骤九：更新新知识；

步骤十：更新V_s，ω∈V_q，concurrent^KB，term^KB(ω)；

步骤十一：实验对比。

2.根据权利要求1所述的终身学习框架下基于GCN的跨领域情感分析方法，其特征在于：过程(2)中步骤一的每一个任务代表了用一个领域数据集来进行对另外一个领域的跨领域情感分类。

3.根据权利要求1所述的终身学习框架下基于GCN的跨领域情感分析方法，其特征在于：过程(2)中步骤七保存p^t(ω|+)，p^t(ω|-)，term^t(ω)，Accuracy^t，concurrent^t，其中p^t(ω|+)表示任务t中特征ω表达正向情感的概率，p^t(ω|-)表示任务t中特征ω表达负向情感的概率，term^t(ω)表示任务t中特征ω的出现次数，Accuracy^t表示任务t中测试集的正确率，concurrent^t表示任务t中特征的共现矩阵。

4.根据权利要求1所述的终身学习框架下基于GCN的跨领域情感分析方法，其特征在于：过程(2)中步骤八所用的公式如下：

5.根据权利要求4所述的终身学习框架下基于GCN的跨领域情感分析方法，其特征在于：过程(2)中步骤八所用的V_feature为特征集合，V_text为文本集合，term(m)与term(k)为特征的出现次数，α为最低纳入考虑的频数，term^KB(m)为特征m在知识库中存储的频率数值，c_m,k为矩阵concurrent^KB中元素，代表特征m与k的历史共现次数。