[發明專利]一種觀點標簽的生成方法、裝置、電子設備和存儲介質

在審

• 申請號: 202011371489.5
• 申請日: 2020-11-30
• 公開（公告）號: CN112528136A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 李沁桐;李丕績
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 李娟

1.一種觀點標簽的生成方法，其特征在于，該方法包括：

獲取針對目標資源的評論集合，所述評論集合包括至少兩條評論；

獲得所述評論集合中的各條評論與所述目標資源之間的相關度；

根據所述各條評論對應的相關度，以及所述各條評論的語義特征，對所述各條評論進行排序，得到相應的評論序列；

基于所述評論序列生成針對所述目標資源的目標觀點標簽序列，所述目標觀點序列包括至少兩個目標觀點標簽詞。

2.如權利要求1所述的方法，其特征在于，所述根據所述各條評論對應的相關度，以及所述各條評論的語義特征，對所述各條評論進行排序，得到相應的評論序列，具體包括：

根據所述各條評論對應的相關度，以及所述各條評論的語義特征，對所述各條評論進行劃分，得到至少兩個評論子集合；

對各個評論子集合進行排序，并分別對所述各個評論子集合中的各條評論進行排序，得到所述評論序列。

3.如權利要求2所述的方法，其特征在于，所述根據所述各條評論對應的相關度，以及所述各條評論的語義特征，對所述各條評論進行劃分，得到至少兩個評論子集合，具體包括：

分別根據所述各條評論對應的相關度，對所述各條評論的語義特征進行加權，得到所述各條評論的顯著性語義特征；

根據所述各條評論的顯著性語義特征對所述各條評論進行聚類，得到至少兩個評論子集合。

4.如權利要求2所述的方法，其特征在于，所述對各個評論子集合之間進行排序，并分別對所述各個評論子集合中的各條評論進行排序，得到所述評論序列，具體包括：

根據各個評論子集合所包含的評論的數量，對所述各個評論子集合進行排序；以及，

針對所述各個評論子集合，分別執行以下操作：根據所述評論子集合中各條評論的語義特征與所述評論子集合的關聯程度，對所述評論子集合中的各條評論進行排序；

基于所述各個評論子集合之間的排序結果，以及所述各個評論子集合中各條評論的排序結果，生成所述評論序列。

5.如權利要求1所述的方法，其特征在于，所述獲得所述評論集合中的各條評論與所述目標資源之間的相關度，具體包括：

分別將所述各條評論輸入已訓練的觀點標簽生成模型中，基于所述已訓練的觀點標簽生成模型中的句子級別的顯著性評分組件對所述各條評論進行特征提取，獲得所述顯著性評分組件輸出的所述各條評論對應的相關度；

所述根據所述各條評論對應的相關度，以及所述各條評論的語義特征，對所述各條評論進行排序，得到相應的評論序列，具體包括：

分別將所述各條評論，以及所述各條評論對應的相關度輸入所述已訓練的觀點標簽生成模型中的評論聚類排序組件，基于所述評論聚類排序組件對所述各條評論進行聚類和排序，獲得所述評論聚類排序組件輸出的詞級別的第一拼接表示向量，所述第一拼接表示向量中的各個評論詞組合形成所述評論序列；

所述基于所述評論序列生成針對所述目標資源的目標觀點標簽序列，具體包括：

將所述拼接表示向量輸入所述已訓練的觀點標簽生成模型中的觀點標簽組件，基于所述觀點標簽組件進行注意力特征提取，獲得所述觀點標簽組件輸出的所述目標觀點標簽序列；

其中，所述已訓練的觀點標簽生成模型是根據訓練樣本數據集訓練得到的，所述訓練樣本數據集中的訓練樣本包括已標注相關性標簽的樣本評論，所述相關性標簽表示所述樣本評論與樣本資源是否相關。

6.如權利要求5所述的方法，其特征在于，所述分別將所述各條評論輸入已訓練的觀點標簽生成模型中，基于所述已訓練的觀點標簽生成模型中的句子級別的顯著性評分組件，獲得所述顯著性評分組件輸出的各條樣本評論對應的相關度，具體包括：

分別將所述各條評論輸入所述顯著性評分組件，基于所述顯著性評分組件中的句子表示模塊將所述各條評論映射至連續空間，得到所述各條評論的表示向量；

通過上下文編碼將所述各條評論的表示向量分別轉換為對應的語義向量；

基于所述顯著性評分組件，分別提取所述各條評論的語義向量與除自身之外的其他評論的語義向量之間的注意力特征；

基于所述各條評論對應的注意力特征獲得所述各條評論與所述目標資源之間的相關度。