[发明专利]一种基于教学机制的情感分析方法

权利要求书

1.一种基于教学机制的情感分析方法，其特征在于，包括以下步骤：

步骤1：进行用户偏好学生网络“软标签”建模，包括以下步骤：

步骤1.1：提取用户之前购买的产品序列和相应的评分序列，并将用户和产品序列分别嵌入到低维向量空间中；

步骤1.2：将每个历史产品嵌入和相应的独热评分嵌入拼接起来，获取新的序列，将其进一步用作LSTM的输入，以获得隐藏状态；其中，将用户的向量表征作为LSTM层的初始状态；独热评分是指文档的one-hot标签；

步骤1.3：挑选当前产品最相关的隐藏状态生成“软标签”；

步骤2：进行产品印象学生网络“软标签”建模，包括以下步骤：

步骤2.1：提取用户之前购买过产品的用户序列和相应的评分序列，并将产品和用户序列分别嵌入到低维向量空间中；

步骤2.2：将每个历史用户嵌入和相应的独热评分嵌入拼接起来，获取新的序列，并将其用作LSTM的输入，以获得隐藏状态，其中，将产品的向量表征作为LSTM层的初始状态；

步骤2.3：挑选当前用户最相关的隐藏状态生成“软标签”；

步骤3：构建教师网络，包括以下步骤：

步骤3.1：用户偏好学生网络通过拼接每个历史产品嵌入和相应的独热评分嵌入以获得一个新的序列，并将其用作LSTM的输入，以获得隐藏状态；

教师网络将当前的产品嵌入和相应的独热评分进行拼接，将结果作为LSTM的输入，同时，教师网络的LSTM层与学生网络共享参数，获得的隐藏状态与情感标签密切相关，被视为用户的真实偏好；

步骤3.2：根据以上对产品印象学生网络的描述，设计一个教师网络来匹配学生网络；学生网络拼接每个历史用户嵌入和相应的独热评分嵌入以获得一个新的序列，并将其用作LSTM的输入，以获得隐藏状态；

教师网络将当前的用户嵌入和相应的独热评分进行拼接，同样将结果作为LSTM的输入，同时，教师网络的LSTM层与学生网络共享参数，获得的隐藏状态与情感标签密切相关，被视为产品的真实公众印象；

步骤4：进行注意力教学，包括以下步骤：

步骤4.1：将文档中每个单词嵌入到低维向量中，使用LSTM层对句子进行编码，并获取隐藏状态；

步骤4.2：使用学生网络中的“软标签”与教师网络中的真实情感标签，分别提取文档中的情感相关信息；

步骤4.3：最小化学生网络与教师网络所提取的信息之间的差异；

步骤5：进行情感预测教学；

步骤5.1：使用提取的情感相关信息为文档中的每个句子生成句子表示和“教师”句子表示；

使用LSTM层为每个句子获取隐藏状态和“教师”隐藏状态；

步骤5.2：使用用户表征进一步提取对预测情感有帮助的信息，使用产品表征进一步提取对预测情感有帮助的信息；

步骤5.3：教师网络使用生成的文档表示来获得情感标签的概率分布，并教导学生网络推断类似的概率分布；

步骤6：进行情感分类，包括以下步骤：

步骤6.1：在训练阶段，针对教师网络，最小化教师网络输出的预测概率分布和独热情感标签之间的交叉熵；

同时，针对学生网络，将用户偏好学生网络的文档表征和产品印象学生网络的文档表征拼接起来进行情感预测，并最小化相应的预测概率分布和独热情感标签之间的交叉熵；

步骤6.2：在测试阶段，仅使用学生网络的输出结果预测情感。

2.如权利要求1所述的一种基于教学机制的情感分析方法，其特征在于，步骤1.3中，挑选当前产品最相关的隐藏状态生成“软标签”的具体方法如下：

其中，e_py()为打分函数，用以衡量隐藏状态和当前产品表征的相关程度；表示LSTM输出的隐藏状态；p_i表示当前产品的向量表征；v_py是打分函数的参数矩阵，上标T表示矩阵的转置操作；和分别是隐藏状态和产品表征的权重参数，b_py为相应的偏置；表示和p_i之间的相关程度，并将用于生成第i个“软标签”即用户u_i的偏好表示LSTM输出的隐藏状态，k表示第k个隐藏状态；n表示历史产品数目。