公开(公告)号：CN111563373A

公开(公告)日：2020-08-21

申请号：CN202010284202.9

申请日：2020-04-13

Applicant: 中南大学

Inventor： 邓晓衡 ,  李练 ,  刘奥

IPC: G06F40/211 ,  G06F16/35 ,  G06F16/33 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提供了一种聚焦属性相关文本的属性级情感分类方法，包括：步骤1，对数据进行预处理使得数据中的每个样本包含属性Xa和上下文Xc，通过Bert预训练模型来获得属性和上下文的文本表征序列 和其中，M和N分别代表输入样本中属性的个数和上下文的长度。本发明所提供的聚焦属性相关文本的属性级情感分类方法，使用了本发明设计的掩盖方法来缓解注意力分散问题。本发明充分利用了属性相关上下文信息，缓解了传统Attention-LSTM网络在处理多属性多情感的文本时，由于注意力会分散到整个句子中，引入了噪声而导致模型的分类性能下降的问题。

公开(公告)号：CN111563373B

公开(公告)日：2023-08-18

申请号：CN202010284202.9

申请日：2020-04-13

Applicant: 中南大学

Inventor： 邓晓衡 ,  李练 ,  刘奥

IPC: G06F40/211 ,  G06F16/35 ,  G06F16/33 ,  G06F18/214 ,  G06N3/0442

Abstract: 本发明提供了一种聚焦属性相关文本的属性级情感分类方法，包括：步骤1，对数据进行预处理使得数据中的每个样本包含属性Xa和上下文Xc，通过Bert预训练模型来获得属性和上下文的文本表征序列和其中，M和N分别代表输入样本中属性的个数和上下文的长度。本发明所提供的聚焦属性相关文本的属性级情感分类方法，使用了本发明设计的掩盖方法来缓解注意力分散问题。本发明充分利用了属性相关上下文信息，缓解了传统Attention‑LSTM网络在处理多属性多情感的文本时，由于注意力会分散到整个句子中，引入了噪声而导致模型的分类性能下降的问题。

公开(公告)号：CN111523047B

公开(公告)日：2022-08-09

申请号：CN202010283068.0

申请日：2020-04-13

Applicant: 中南大学

Inventor： 邓晓衡 ,  刘奥 ,  李练

IPC: G06F16/9536 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于图神经网络的多关系协同过滤算法，包括：步骤1，对用户与物品的历史交互数据进行处理，从中抽取所有用户序列UU和物品序列SI；步骤2，分别将每个用户序列SU和每个物品序列SI分别构造为用户关系图GU＝(VU,EU)和物品关系图GI＝(VI,EI)。本发明所提供的基于图神经网络的多关系协同过滤算法，从用户与物品交互数据中通过构造物品关系图和用户关系图同时对物品关系和用户关系进行建模，并将多关系融入用户与物品交互的学习过程中，学习多关系对用户与物品交互的影响，从而使模型能够更好对用户偏好进行建模。

公开(公告)号：CN111523047A

公开(公告)日：2020-08-11

申请号：CN202010283068.0

申请日：2020-04-13

Applicant: 中南大学

Inventor： 邓晓衡 ,  刘奥 ,  李练

IPC: G06F16/9536 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于图神经网络的多关系协同过滤算法，包括：步骤1，对用户与物品的历史交互数据进行处理，从中抽取所有用户序列UU和物品序列SI；步骤2，分别将每个用户序列SU和每个物品序列SI分别构造为用户关系图GU＝(VU,EU)和物品关系图GI＝(VI,EI)。本发明所提供的基于图神经网络的多关系协同过滤算法，从用户与物品交互数据中通过构造物品关系图和用户关系图同时对物品关系和用户关系进行建模，并将多关系融入用户与物品交互的学习过程中，学习多关系对用户与物品交互的影响，从而使模型能够更好对用户偏好进行建模。