[發(fā)明專利]觀點提取方法及裝置

在審

• 申請?zhí)枺?/td>: 201810205252.6
• 申請日: 2018-03-13
• 公開（公告）號: CN110309407A
• 公開（公告）日: 2019-10-08
• 發(fā)明（設計）人: 沈一;蔡龍軍;茅越;李明
• 申請（專利權）人: 優(yōu)酷網(wǎng)絡技術（北京）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/35;G06F17/27
• 代理公司: 北京林達劉知識產權代理事務所(普通合伙) 11277
• 代理人: 劉新宇

1.一種觀點提取方法，其特征在于，所述方法通過網(wǎng)絡模型實現(xiàn)，所述網(wǎng)絡模型包括編碼模塊以及解碼模塊，所述方法包括：

獲取待提取對象的特征信息；

將所述特征信息輸入所述編碼模塊中進行處理，確定所述待提取對象的編碼信息；

將所述編碼信息輸入所述解碼模塊中進行處理，確定所述待提取對象的觀點提取結果，

其中，所述編碼模塊包括循環(huán)神經(jīng)網(wǎng)絡，所述解碼模塊包括具有注意力機制的循環(huán)神經(jīng)網(wǎng)絡。

2.根據(jù)權利要求1所述的方法，其特征在于，所述網(wǎng)絡模型還包括嵌入模塊，

其中，獲取待提取對象的特征信息，包括：

確定所述待提取對象的多個初始信息；

將所述多個初始信息輸入所述嵌入模塊進行向量化處理，確定所述多個初始信息的向量信息；

將所述向量信息確定為所述特征信息。

3.根據(jù)權利要求1所述的方法，其特征在于，所述編碼模塊包括第一隱藏層，所述特征信息包括T個編碼時序的特征信息，

其中，將所述特征信息輸入所述編碼模塊中進行處理，確定所述待提取對象的編碼信息，包括：

將所述T個編碼時序的特征信息輸入所述第一隱藏層中進行處理，確定所述待提取對象的T個編碼時序的編碼信息，

其中，T為正整數(shù)。

4.根據(jù)權利要求3所述的方法，其特征在于，所述解碼模塊包括第二隱藏層和輸出層，所述輸出層輸出N個解碼時序的觀點提取結果，

其中，將所述編碼信息輸入所述解碼模塊中進行處理，確定所述待提取對象的觀點提取結果，包括：

將第i-1個解碼時序的隱藏層結果、第i-1個解碼時序的觀點提取結果以及第i-1個解碼時序的語義信息輸入到所述第二隱藏層中進行處理，確定第i個解碼時序的隱藏層結果；

根據(jù)所述第i個解碼時序的隱藏層結果以及所述T個編碼時序的編碼信息的相關度，分別確定針對所述第i個解碼時序的所述T個編碼時序的編碼信息的T個權重；

通過注意力調整函數(shù)對所述T個編碼時序的編碼信息以及所述T個權重進行處理，確定第i個解碼時序的語義信息；

將所述第i個解碼時序的語義信息、第i-1個解碼時序的觀點提取結果以及所述第i個解碼時序的隱藏層結果輸入到所述輸出層中進行處理，確定第i個解碼時序的觀點提取結果，

其中，T、N以及i為正整數(shù)，T≥N，N≥i≥1。

5.根據(jù)權利要求1所述的方法，其特征在于，所述方法還包括：

獲取樣本對象的特征信息；

將所述樣本對象的特征信息輸入初始網(wǎng)絡模型中進行處理，獲取訓練結果，其中，所述初始網(wǎng)絡模型包括編碼模塊以及解碼模塊，所述編碼模塊包括循環(huán)神經(jīng)網(wǎng)絡，所述解碼模塊包括具有注意力機制的循環(huán)神經(jīng)網(wǎng)絡；

根據(jù)所述訓練結果以及期望結果，確定模型損失；

根據(jù)所述模型損失，調整所述初始網(wǎng)絡模型中的參數(shù)權重，確定調整后的網(wǎng)絡模型；

在所述模型損失滿足訓練條件的情況下，將調整后的網(wǎng)絡模型確定為最終的網(wǎng)絡模型。

6.根據(jù)權利要求1至5中任意一項所述的方法，其特征在于，所述待提取對象包括視頻評論、商品評論、新聞評論中的一種。

7.一種觀點提取裝置，其特征在于，所述裝置通過網(wǎng)絡模型實現(xiàn)，所述網(wǎng)絡模型包括編碼模塊以及解碼模塊，所述裝置包括：

特征信息獲取單元，用于獲取待提取對象的特征信息；

編碼信息確定單元，用于將所述特征信息輸入所述編碼模塊中進行處理，確定所述待提取對象的編碼信息；

提取結果確定單元，用于將所述編碼信息輸入所述解碼模塊中進行處理，確定所述待提取對象的觀點提取結果，

其中，所述編碼模塊包括循環(huán)神經(jīng)網(wǎng)絡，所述解碼模塊包括具有注意力機制的循環(huán)神經(jīng)網(wǎng)絡。