[发明专利]一种融合GAN和迁移学习的电商评价情感分析方法

说明书

本发明公开了一种融合GAN和迁移学习的电商评价情感分析方法，该方法基于GAN构建迁移学习框架，通过标注的源领域文本数据和少量标注的目标领域文本数据训练生成模型和鉴别模型，生成模型生成数据训练分类器用于特定的分类任务来实现源领域到目标领域的迁移。本发明在进行特定的电子商务评价情感分析任务时，减少了模型训练的数据收集处理工作，用户只需使用标注的源领域文本数据和少量标注的目标领域文本数据训练即可，而不需要进行大量目标领域文本数据的标注工作。本发明提出的方法使迁移架构和任务结构分离，对传统的迁移学习方法进行了突破，可实现跨领域迁移学习和异构迁移学习，提升数据分析的智能化水平。

技术领域

本发明涉及自然语言处理技术领域，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。

背景技术

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。

发明内容

本发明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感分析方法，该分析方法基于迁移策略思想以及GAN，通过强化学习和对抗思想的结合，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。最终生成文本数据和有标注的源领域文本数据一起用于训练分类器模型，进行特定的情感分析任务。该分析方法通过使用有标注的源领域文本数据和少量有标注的目标领域文本数据进行迁移，减少了训练分类器模型时标注数据的工作。

本发明的目的可以通过采取如下技术方案达到：

一种融合GAN和迁移学习的电商评价情感分析方法，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；