买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利一种基于异构图卷积的多模态评论情感分析方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116258147B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310083964.6，技术领域涉及：G06F40/30；该发明授权一种基于异构图卷积的多模态评论情感分析方法及系统是由陈羽中;万宇杰设计研发完成，并于2023-01-31向国家知识产权局提交的专利申请。

本一种基于异构图卷积的多模态评论情感分析方法及系统在说明书摘要公布了：本发明涉及一种基于异构图卷积的多模态评论情感分析方法，包括以下步骤：步骤A：收集用户评论和相关图像，提取用户评论中涉及的产品或服务的方面词，并标注用户评论针对该产品或服务的特定方面的情感极性，以此来构建训练集DB；步骤B：使用训练集DB，训练基于知识图谱与异构图卷积网络的深度学习网络模型DLM，用于分析用户评论和相关图像对产品或服务的特定方面的情感极性；步骤C：将用户评论和相关图像与所涉及的产品或服务的方面词输入到训练好的深度学习网络模型中，获得用户评论和相关图像针对该产品或服务中的特定方面的情感极性。该方法及系统有利于提高情感分类的准确性。

本发明授权一种基于异构图卷积的多模态评论情感分析方法及系统在权利要求书中公布了：1.一种基于异构图卷积的多模态评论情感分析方法，其特征在于，包括以下步骤： 步骤A：收集用户评论和相关图像，提取用户评论中涉及的产品或服务的方面词，并标注用户评论针对该产品或服务的特定方面的情感极性，以此来构建训练集DB； 步骤B：使用训练集DB，训练基于知识图谱与异构图卷积网络的深度学习网络模型DLM，用于分析用户评论和相关图像对产品或服务的特定方面的情感极性； 步骤C：将用户评论和相关图像与所涉及的产品或服务的方面词输入到训练好的深度学习网络模型中，获得用户评论和相关图像针对该产品或服务中的特定方面的情感极性； 所述步骤B具体包括以下步骤： 步骤B1：对训练集DB中的每个训练样本进行编码，得到评论的语义表征向量、方面的 语义表征向量、句法依存邻接矩阵以及图像区域表征向量； 步骤B2：根据动态知识选择机制从知识图谱中选择与评论上下文相关的知识三元组的 集合，然后对其知识词语进行编码，得到集合的知识词语表征向量； 步骤B3：通过对方面的语义表征向量和图像区域表征向量使用交互注意力机制 获得方面相关的图像区域表征向量；通过图像标签选择机制获取与评论上下文相关的 标签t元组的集合； 步骤B4：对进行平均池化得到方面平均表征向量，对进行位置编码，得到位置 加强的评论表征向量，通过连接和，得到表征向量；根据文本-知识-图像 异构构图策略利用生成文本-知识-图像异构图TKIHG，得到其邻接矩阵，然后对其节点 利用跨模态注意力机制进行编码，得到异构图TKIHG的节点表征向量； 步骤B5：将表征向量和异构图TKIHG的节点表征向量分别输入到两个不同的层图卷积网络中，分别记为评论文本图卷积网络RGCN和文本-知识-图像异构图卷积网络 HGCN，分别学习并提取句法依存关系和上下文语义、图像标签与外部知识的异构信息，得到 文本图卷积表征向量和异构图卷积表征向量； 步骤B6：对文本图卷积表征向量进行方面屏蔽操作，得到评论的文本图卷积屏蔽 表征向量，再和评论的语义表征向量使用交互注意力机制，进一步用聚合句法信 息的方面信息增强上下文表示，得到评论的方面增强表征向量； 步骤B7：将异构图卷积表征向量分别与评论的方面增强表征向量和方面相 关的图像区域表征向量使用跨模态注意力机制，进一步利用图像标签和外部知识等异 构信息来增强学习文本模态和图像模态的情感特征，得到异构增强的文本表征向量和 图像表征向量，最后连接和得到最终表征向量； 步骤B8：将最终表征向量输入最终预测层，根据目标损失函数loss，利用反向传播 方法计算深度学习网络模型中各参数的梯度，并利用随机梯度下降方法更新各参数； 步骤B9：当深度学习网络模型产生的损失值迭代变化小于所给定阈值、或者达到最大迭代次数，则终止深度学习网络模型的训练过程。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。