(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210954299.9 (22)申请日 2022.08.10 (71)申请人 华南师范大学 地址 510006 广东省广州市番禺区外环西 路378号华南师范大学物理与电信工 程学院 (72)发明人 陆子豪　杨驰　薛云　 (74)专利代理 机构 广州骏思知识产权代理有限 公司 44425 专利代理师 叶琼园 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/30(2020.01) G06F 40/211(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于相互学习网络的跨领域情感分析方法、 装置以及设备 (57)摘要 本发明涉及情感分析领域， 特别涉及一种基 于相互学习网络的跨领域情感分析方法、 装置、 设备以及存储介质， 获取训练文本数据集， 将训 练文本数据集输入至预设的词嵌入模 型中， 获取 词嵌入向量集， 将词嵌入向量集输入至预设的相 互学习网络中， 构建相互学习网络对应的损失函 数， 进行优化训练， 获取目标相互学习网络， 响应 于分析指令， 获取待分析的文本数据， 将待分析 的文本数据输入至目标相互学习网络中， 获取目 标相互学习网络输出的情感分析结果。 有现有技 术相比， 本申请的技术方案更加全面地对待测文 本数据集进行情感分析， 提升了情感分析的准确 性以及效率。 权利要求书7页 说明书16页 附图7页 CN 115033700 A 2022.09.09 CN 115033700 A 1.一种基于相互学习网络的跨领域情感分析 方法， 其特 征在于， 包括以下步骤： 获取训练文本数据集， 其中， 所述训练文本数据集包括源领域的文本数据集以及目标 域的文本数据集， 所述文本数据集中包括若干个文本数据， 所述文本数据若干个句子， 所述 句子包括若干个单词； 将所述训练文本数据集输入至预设的词嵌入模型中， 获取词嵌入向量集， 其中， 所述词 嵌入向量集包括若干个源领域的文本数据对应的词嵌入向量表示以及若干个目标域的文 本数据对应的词嵌入向量表示； 将所述词嵌入向量集输入至预设的相互学习网络中， 构建所述相互学习网络对应的损 失函数， 进行优化训练， 获取目标相互学习网络， 其中， 所述相互学习网络包括两组相互学 习迁移通道； 响应于分析指令， 获取待分析的文本数据， 将所述待分析的文本数据输入至所述目标 相互学习网络中， 获取 所述目标相互学习网络 输出的情感分析 结果。 2.根据权利要求1所述的基于相互学习网络的跨领域情感分析 方法， 其特 征在于： 所述两组相互学习迁移通道均包括特征提取模块、 情感分类模块、 领域差异学习模块 以及标签探测模块； 所述将所述词嵌入向量集输入至预设的相互学习网络 中， 构建所述相互学习网络对应 的损失函数， 包括 步骤： 将所述词嵌入向量集分别输入至所述两组相互学习迁移通道中的特征提取模块， 获取 所述两组相互学习迁移通道的特征提取模块输出的所述若干个源领域的文本数据对应的 文本特征表示， 以及所述若干个目标域的文本数据对应的文本特 征表示； 将所述若干个源领域的文本数据对应的文本特征表示， 以及所述若干个目标域的文本 数据对应的文本特征表示分别输入至所述两组相互学习迁移 通道的情感分类模块， 获得所 述两组相互学习迁移通道的若干个源领域的文本数据对应的情感特征表示以及所述若干 个目标域的文本数据对应的情感特征表示， 根据所述若干个源领域的文本数据对应的情感 特征表示， 构建所述两组相互学习迁移通道的第一损失函数； 将所述若干个目标域的文本数据对应的文本特征表示分别输入至所述两组相互学习 迁移通道的标签探测模块中， 获取所述两组相互学习迁移通道的若干个目标域的文本数据 对应的标签特征表示， 并将一组所述相互学习迁移 通道的若干个目标域的文本数据对应的 标签特征表示输入至另一组所述相互学习迁移 通道的情感分类模块中， 根据所述若干个源 领域的文本数据对应的情感特征表示， 以及所述若干个目标域的文本数据对应的标签特征 表示， 构建所述两组相互学习迁移通道的第二损失函数； 将所述若干个源领域的文本数据对应的文本特征表示， 以及所述若干个目标域的文本 数据对应的文本特征表示输入至所述量组相互学习迁移 通道的领域差异学习模块中， 构建 所述两组相互学习迁移通道的第三损失函数； 根据所述两组相互学习迁移通道的第一损 失函数、 第一损 失函数以及第三损 失函数， 分别构建所述两组相互学习迁移 通道对应的总损失函数， 根据所述两组相互学习迁移通道 对应的总损失函数， 进行优化训练， 获取 所述目标相互学习网络 。 3.根据权利要求2所述的基于相互学习网络的跨领域情感分析 方法， 其特 征在于： 所述特征提取模块包括依次相连的语义特 征提取模块以及句法特 征提取模块；权　利　要　求　书 1/7 页 2 CN 115033700 A 2所述将所述词嵌入向量集分别输入至所述两组相互学习迁移通道中的特征提取模块， 获取所述两组相互学习迁移通道的特征提取模块输出的所述若干个源领域的文本数据对 应的文本特 征表示， 以及所述若干个目标域的文本数据对应的文本特 征表示， 包括 步骤： 将所述词嵌入向量集分别输入至相应的所述特征提取模块中语义特征提取模块， 分别 获取所述两组相互学习迁移通道的语义特征提取模块输出的所述若干个源领域的文本数 据对应的语义特 征表示， 以及所述若干个目标域的文本数据对应的语义特 征表示； 将所述词嵌入向量集分别输入至相应的所述特征提取模块中句法特征提取模块， 分别 获取所述两组相互学习迁移通道的句法特征提取模块输出的所述若干个源领域的文本数 据对应的句法特 征表示， 以及所述若干个目标域的文本数据对应的句法特 征表示； 分别将所述若干个源领域的文本数据对应的语义特征表示、 句法特征表示以及所述若 干个目标域的文本数据对应的语义特征表示、 句法特征表示进行拼接， 获取所述两组相互 学习迁移通道的句法特征提取模块输出的所述若干个源领域的文本数据对应的文本特征 表示， 以及所述若干个目标域的文本数据对应的文本特 征表示。 4.根据权利要求3所述的基于相互学习网络的跨领域情感分析 方法， 其特 征在于： 所述语义特征提取模块包括第一双 向门控循环单元、 软注意力单元、 第二双 向门控循 环单元以及卷积注意力单 元， 其中， 所述卷积注意力单 元包括若干个卷积层； 所述将所述词嵌入向量集分别输入至相应的所述特征提取模块中语义特征提取模块， 分别获取所述两组相互学习迁移通道的语义特征提取模块输出的所述若干个源领域的文 本数据对应的语义特征表示， 以及所述若干个目标域的文本数据对应的语义特征表示， 包 括步骤： 将所述词嵌入向量集输入至相应的所述语义特征提取模块中的第一双向门控循环单 元， 分别对所述词嵌入向量集进行编码处理， 获取所述两组相互学习迁移通道的语义特征 提取模块的第一双向门控循环单元输出的所述若干个源领域的文本数据对应的隐藏层特 征表示， 以及所述若干个目标域的文本数据对应的隐藏层特 征表示； 将所述若干个源领域的文本数据对应的隐藏层特征表示， 以及所述若干个目标域的文 本数据对应的隐藏层特征表示输入至相应的所述语义特征提取模块中的软注意力单元， 根 据预设的注意力权重参数计算算法， 获取相应的注意力权重参数， 以及所述若干个目标域 的文本数据对应的注意力权重参数， 并根据预设的句 子特征表示计算算法， 分别获取所述 两组相互学习迁移通道的软注意力单元输出的所述若干个源领域的文本数据对应的句子 特征表示， 以及所述若干个目标域的文本数据对应的句子特征表示， 其中， 所述注意力权重 参数计算 算法为： 式中， 为所述注意力权重参数， 为预设的第一可训练网络参数， 为预设的第 二可训练网络参数， 为预设的第三可训练网络参数； 所述句子特 征表示计算 算法为： 权　利　要　求　书 2/7 页 3 CN 115033700 A 3