[发明专利]基于多源领域实例迁移的情感分类方法

权利要求书

1.一种基于多源领域实例迁移的情感分类方法，其特征是，包括以下步骤：

步骤1），引入多源学习，通过从不同的源领域中迁移样本或是结合多个源领域的特点，使得迁移学习更加稳定且有效，给目标样本分配较多的初始权重，缓解权重不匹配的问题，并且在每一步对数据进行重新采样改善引用不平衡的现象；

    步骤1.1），初始化权矢量                                                ，其中为第个源领域训练样本的权重矢量，为目标领域训练样本的权重矢量；

步骤1.2），从第一次迭代开始，计算源领域训练样本总权重，设，其中为全部源领域训练样本个数，为第个源领域训练集包含样本数量；

步骤1.3），清空候选弱分类器集合，将权矢量归一化；

步骤2），调用基分类器在每一个训练集训练得到一个弱分类器，将所有弱分类器组成弱分类器集，分别计算每个弱分类器在目标训练集上的误差，根据测试误差对每个弱分类器加相应的权重，由于正确率高的分类器对应的源领域包含对目标任务有用的信息多，对目标任务的学习帮助大，所以误差大的分类器设置权重小，误差小的分类器设置权重大；

步骤2.1），调用基分类器在每一个源训练集训练得到一个弱分类器；

步骤2.2），计算弱分类器在目标领域上的误差，其计算公式为，其中，表示候选若分类器分类错误，表示对N个源领域求和；

步骤2.3），根据弱分类器在目标领域上的误差大小更新弱分类器的权重，其计算公式为，循环往复，直到历遍N个源领域；

步骤3），将加权后的弱分类器集成得到当前第t次迭代的候选分类器，然后计算候选分类器在目标训练集和不同源领域训练集上的误差，并加入动态因子，更新源领域样本的权重，对于分类正确的源领域样本权重不变，分类错误的源样本权重减小，减小分类错误样本的权重表示此样本对目标任务的学习没有帮助，降低此样本对目标学习的影响；

步骤3.1），得到第次迭代的候选分类器，其计算公式为；

步骤3.2），计算候选分类器在目标领域上的误差率，其计算公式为；

步骤3.3），计算分类器的权重，其计算公式为，其中的大小为，越小，则目标分类误差越小，表明与目标领域的相关度越高，将多次迭代的基分类器组合成目标分类器，源领域中的有用知识就会逐渐迁移到目标领域中；

步骤3.4），计算出动态因子的值，其计算公式为；

步骤3.5），更新源样本权矢量和目标样本权矢量；

步骤4），经迭代达到最大次数M次后输出最终强分类器，如果没有达到最大迭代次数则重新从矢量归一化开始。

2.根据权利要求1所述一种基于多源领域实例迁移的情感分类方法，其特征是，本发明中源样本权矢量的更新使用加权多数算法WMA，通过迭代降低错误分类源样本的权重来调整源数据集的权重，并保存正确分类源样本的当前权重值。

3.根据权利要求1所述一种基于多源领域实例迁移的情感分类方法，其特征是，所述步骤3.3）中为了满足，的值必须小于0.5，但是为了避免算法停止，当其值超过0.5时，设置。

4.根据权利要求1所述一种基于多源领域实例迁移的情感分类方法，其特征是，所述步骤3.4）中动态因子的计算公式的推导方法为：首先令是第步迭代正确分类目标权重的总和，是第步迭代错误分类目标权重的总和，其表达式如下：

    则算法源权重的值更新为：

    在每个WMA迭代中引入动态因子，由于有等式，有公式：

  

    进而可以计算出动态因子的值：

。

5.根据权利要求1所述一种基于多源领域实例迁移的情感分类方法，其特征是，所述步骤3.5）中更新源样本权矢量的计算方法为，其中，源样本权重更新的收敛率由和动态因子计算得到，对于分类正确的源领域样本权重不变，分类错误的样本权重减小，减小分类错误样本的权重表示此样本对目标任务的学习没有帮助，降低此样本对目标学习的影响；更新目标样本权矢量的计算方法为，其中，目标样本的权重更新利用的值计算，只需要知道目标误差率的值即可，在每个迁移学习模型中，源样本分布都是相关的，目标样本可以从合并的相关源样本中获得知识。