CN114676755B 基于图卷积网络的无监督域自适应的分类方法 （南京邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114676755B(45)授权公告日2025.07.08

(21)申请号202210208723.5

(22)申请日2022.03.04

(65)同一申请的已公布的文献号申请公布号CN114676755A

(43)申请公布日2022.06.28

(73)专利权人南京邮电大学

地址210046江苏省南京市栖霞区文苑路9

号

(72)发明人吴飞魏鹏飞高广谓胡长晖季一木蒋国平

(74)专利代理机构南京经纬专利商标代理有限公司32200

专利代理师罗运红

(51)Int.CI.

GO6F18/241(2023.01)

GO6F18/2415(2023.01)

GO6F18/22(2023.01)

GO6F18/213(2023.01)

GO6N3/0464(2023.01)

GO6N3/042(2023.01)

GO6N3/045(2023.01)

GO6N3/09(2023.01)

GO6N3/047(2023.01)

(56)对比文件

FeiWu.Dual-alignedunsupervised

domainadaptationwithgraph

convolutionalnetworks.《SpringerLink》.2022,第14979-14997页.

审查员任俊鹏

权利要求书2页说明书8页附图1页

(54)发明名称

基于图卷积网络的无监督域自适应的分类

方法

(57)摘要

CN114676755B本申请涉及一种基于图卷积网络的无监督域自适应的分类。所述方法包括：获取源域中的样本数据和目标域中样本数据作为训练数据；根据源域和目标域中样本数据间的相似性分别更新两个域中样本的图连接关系；将源域和目标域中的样本数据输入到域自适应网络中进行训练，域自适应网络是基于图卷积网络的无监督域自适应网络，域自适应网络包括：跨域特征提取模型、源域特征提取模型、分类模型、域对抗鉴别模型、类对齐模型；训练域自适应网络不断更新迭代域自适应网络中的参数，当域自适应网络达到收敛条件时，获得域自适应分类模型；输入待分类数据至域自适应分类模型进行分类，获得待分类数据的分类结果。提高了基于图卷积的无监督

CN114676755B

S220

获取源域中的样本数据和目标域中样本数据作为训练数据

S240

根据源域和目标域中样本数据间的相似性分别去更新两个域中样本的图连接关系

S260

将源域和目标域中的样本数据输入到域自适应网络中进行

训练，域自适应网络是基于图卷积网络的无监督域自适应

网络

S280

训练域自适应网络不断更新迭代域自适应网络中的参数，当域自适应网络达到收敛条件时，获得域自适应分类模型

S300

输入待分类数据至域自适应分类模型进行分类，获得待分类数据的分类结果

CN114676755B权利要求书1/2页

2

1.一种基于图卷积网络的无监督域自适应的分类方法，其特征在于，所述方法包括：

获取源域中的样本数据和目标域中样本数据作为训练数据，所述训练数据的类型是文本数据；

根据所述源域和所述目标域中样本数据间的相似性分别更新两个域中样本的图连接关系；

将所述源域和所述目标域中的样本数据输入到域自适应网络中进行训练，所述域自适应网络是基于图卷积网络的无监督域自适应网络，所述域自适应网络包括：跨域特征提取模型、源域特征提取模型、分类模型、域对抗鉴别模型、类对齐模型；

训练所述域自适应网络不断更新迭代所述域自适应网络中的参数，当所述域自适应网络达到收敛条件时，获得域自适应分类模型；

输入待分类数据至所述域自适应分类模型进行分类，获得所述待分类数据的分类结果；

所述域自适应网络的构建方式包括：

源域的样本数据和目标域的样本数据输入到跨域特征提取模型中得到源域和目标域的公共嵌入特征表示；

源域的样本数据输入到源域特征提取模型中得到所述源域的特定嵌入特征表示；

计算所述源域的公共嵌入特征表示和所述特定嵌入特征表示的差异性构建特征差异性损失函数；

将目标域的样本数据输入到源域特征提取模型中得到带源域风格的目标域嵌入特征表示，再通过注意力机