申请/专利权人：北京理工大学

申请日：2024-06-05

公开（公告）日：2024-07-05

公开（公告）号：CN118296150A

主分类号：G06F16/35

分类号：G06F16/35;G06F40/216;G06F40/284;G06F40/211;G06F18/2415;G06F18/2431;G06F18/25;G06N3/045;G06N3/047;G06N3/0475;G06N3/084;G06N3/094;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明提供一种基于多对抗网络改进的评论情感识别方法，包括对收集到的数据进行预处理；构建多对抗网络模型，分为主干网络和两个对抗分支网络；定义多任务学习的损失函数；交替训练主干网络和对抗分支网络，使用自适应的学习率优化算法不断调整网络权重；模型评估与调整；调整与优化；模型部署，将训练好的模型部署到实际的评论情感识别系统中，进行在线媒体情感分类的识别。本发明基于多对抗网络的方法来消除评论情感识别中存在的多个混淆因素带来的偏差，通过在传统的评论情感识别模型中引入多个对抗网络，分别针对不同的混淆因素进行训练，从而使得主干网络在学习区分在线媒体评论情感分类时不受这些混淆因素的影响，提升了模型的泛化能力。

主权项：1.一种基于多对抗网络改进的评论情感识别方法，其特征在于，包括以下步骤：对收集到的数据进行预处理，将数据划分为训练集、验证集和测试集；构建多对抗网络模型，该模型分为主干网络和两个对抗分支网络，其中，主干网络用于接收评论文本作为输入，输出评论的情感倾向预测，第一个对抗分支网络用于识别评论主体内容的类别特征，同时通过梯度反转来实现对抗训练，第二个对抗分支网络用于识别评论所属的渠道特征，同时通过梯度反转来实现对抗训练；主干网络为多模态分类网络；定义多任务学习的损失函数；其中，主任务是最小化评论情感分类错误，辅助任务是最大化对抗子网络的错误；交替训练主干网络和对抗分支网络，使用自适应的学习率优化算法不断调整网络权重；模型评估与调整，在验证集或测试集上对模型进行性能评估，包括情感识别的准确率和两个分支网络的类别识别与渠道识别能力；模型调整与优化：根据评估结果调整模型的结构、参数或训练策略，以提高性能；模型部署，将训练好的模型部署到实际的评论情感识别系统中，进行实时或批量的在线媒体情感分类的识别，从而对评论的情感正中负倾向进行识别。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于多对抗网络改进的评论情感识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD