【技术实现步骤摘要】
一种融合GAN和迁移学习的电商评价情感分析方法
本专利技术涉及自然语言处理
,具体涉及一种融合GAN和迁移学习的电商评价情感分析方法。
技术介绍
在对电子商务评价进行情感分析时,通常通过机器学习训练分类模型对评价数据进行分类。但分类模型需要大量的标注数据进行训练,而标注大量数据的工作非常费时,且代价高昂。迁移学习是一个新兴领域,其基本思想为实现源领域知识到目标领域的迁移,以减少数据标注工作或避免新模型从零开始训练学习。在算法研究方面,迁移学习主要划分为以下几种技术:1.半监督学习:学习算法在学习过程中无需人工干预,基于自身对无标签数据进行利用;2.基于特征选择:利用源领域与目标领域中共有的特征表示进行知识迁移;3.基于特征映射:将各个领域的数据从原始高维特征空间映射到低维特征空间,使它们有相同的数据分布。然后利用低维度特征空间表示的源领域样本训练分类器,根据特定任务进行分类;4.基于权重:根据训练样本和测试样本的相似度分配源领域样本的采集权重。根据源领域和目标领域文本数据是否标注以及是否为相同任务来划分,可以将迁移学习分为三类:1.无监督学习:源领域和目标领域文本数据都没有标签样本;2.直推式迁移学习:只有源领域文本数据有标签样本;3.归纳式迁移学习:目标领域中有少量标签样本。生成对抗网络是通过生成模型和鉴别模型相互对抗博弈,生成类似真实数据的深度学习模型。通过对抗进行迭代训练,使对抗的两个模型逼近纳什均衡。它为无监督学习模型的构建提供了强有力的框架。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷,提供一种融合GAN和迁移学习的电商评价情 ...
【技术保护点】
1.一种融合GAN和迁移学习的电商评价情感分析方法,其特征在于,所述的分析方法包括以下步骤:S1、数据预处理,将源领域文本数据和目标领域文本数据合成为一份语料训练word2vec模型,训练后通过词索引字典将两个领域的文本数据进行序列化处理转换为数字表示;S2、构建基于GAN的迁移学习框架,其中,基于GAN的迁移学习框架包括生成模型、鉴别模型、分类器模型;S3、训练基于GAN的迁移学习框架中的生成模型和鉴别模型,其中,随机噪声和源领域有标注的文本数据作为生成模型的输入,生成模型生成的文本数据和目标领域少量有标注的文本数据作为鉴别模型的输入,在对抗训练过程中,生成模型基于每个词进行蒙特卡洛树搜索,得到一批完整序列,鉴别模型对这批完整序列进行鉴别,并反馈给生成模型,得到反馈后,生成模型通过策略梯度的方式进行训练,同时,鉴别模型使用对数损失函数进行训练,对抗训练完成后,生成模型生成使源领域和目标领域的数据特征分布处于同一分布的文本数据,实现源领域到目标领域的迁移;S4、所述的生成模型生成数据,并结合少量标注的目标领域文本数据,训练基于GAN的迁移学习框架中的分类器模型,所述的分类器模型对特定的 ...
【技术特征摘要】
1.一种融合GAN和迁移学习的电商评价情感分析方法,其特征在于,所述的分析方法包括以下步骤:S1、数据预处理,将源领域文本数据和目标领域文本数据合成为一份语料训练word2vec模型,训练后通过词索引字典将两个领域的文本数据进行序列化处理转换为数字表示;S2、构建基于GAN的迁移学习框架,其中,基于GAN的迁移学习框架包括生成模型、鉴别模型、分类器模型;S3、训练基于GAN的迁移学习框架中的生成模型和鉴别模型,其中,随机噪声和源领域有标注的文本数据作为生成模型的输入,生成模型生成的文本数据和目标领域少量有标注的文本数据作为鉴别模型的输入,在对抗训练过程中,生成模型基于每个词进行蒙特卡洛树搜索,得到一批完整序列,鉴别模型对这批完整序列进行鉴别,并反馈给生成模型,得到反馈后,生成模型通过策略梯度的方式进行训练,同时,鉴别模型使用对数损失函数进行训练,对抗训练完成后,生成模型生成使源领域和目标领域的数据特征分布处于同一分布的文本数据,实现源领域到目标领域的迁移;S4、所述的生成模型生成数据,并结合少量标注的目标领域文本数据,训练基于GAN的迁移学习框架中的分类器模型,所述的分类器模型对特定的分类任务实现源领域到目标领域的迁移;S5、根据特定的任务对目标领域文本数据进行分类。2.根据权利要求1所述的一种融合GAN和迁移学习的电商评价情感分析方法,其特征在于,所述的步骤S1过程如下:对用于模型训练的文本数据进行预处理,假设已有足够的标注的源领域文本数据和少量标注的目标领域文本数据,首先筛选源领域文本数据和目标领域文本数据中选取词数为18到20的句子,然后对筛选后的源领域文本数据和目标领域文本数据进行大小写统一,分词处理,接下来将处理后的源领域文本数据和目标领域文本数据合为一份语料训练word2vec模型,以获得词向量,word2vec模型训练完毕后,保存语料中词频超过10的词到以数字为索引的字典,以及将词向量保存到以词为索引的字典,最后通过保存的以数字为索引的字典,将文本数据中的每个词转换为对应的数字索引表示。3.根据权利要求2所述的一种融合GAN和迁移学习的电商评价情感分析方法,其特征在于,所述的word2vec模型应用Distriuted表示法,即将词表示为一个限定在一定维度的实数向量,通过欧式距离或余弦距离求得词之间的距离来判断它们语义的相似性;所述的word2vec模型采用CBOW网络结构模型和/或Skip-Gram网络结构模型,其中,所述的CBOW网络结构模型的目标是根据上下文来预测当前词语,包括输入层、投影层和输出层,输入层输入上下文的词向量,且词向量初始为随机值,伴随着训练不断更新,投影层则是对输入层中上下文的词向量进行向量加法求和,输出层最后输出出现概率最高的词w,CBOW网络结构模型的学习目标为一个最大化对数似然函数,所述的Skip-Gram网络结构模型根据当前词语预测上下文,包括输入层、投影层和输出层,输入层只有一个词向量,投影层...
【专利技术属性】
技术研发人员:陶乾,黄浩建,王振宇,蒋道宁,陶哲瀚,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。