[發明專利]基于卷積神經網絡的評價對象抽取方法及裝置

在審

• 申請號: 202110205277.8
• 申請日: 2021-02-24
• 公開（公告）號: CN112883713A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 周武;楊柳清;黃藝媛;宋路祥
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F40/211
• 分類號: G06F40/211;G06F40/289;G06F40/30;G06K9/62;G06N3/04;G06N3/08;G06Q30/02
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;孫乳筍

1.一種基于卷積神經網絡的評價對象抽取方法，其特征在于，包括：

獲取語句文本并根據所述語句文本中的各單詞生成詞向量矩陣；

將所述詞向量矩陣輸入基于上文詞向量矩陣、下文詞向量矩陣和預設的卷積神經網絡模型創建的詞標簽模型中，得到詞標簽得分矩陣；

根據所述詞標簽得分矩陣確定各單詞的詞標簽；其中，所述詞標簽包括評價對象詞標簽；

抽取所述評價對象詞標簽對應的單詞為評價對象。

2.根據權利要求1所述的基于卷積神經網絡的評價對象抽取方法，其特征在于，創建詞標簽模型包括：

執行如下迭代處理：

根據所述上文詞向量矩陣、所述下文詞向量矩陣以及卷積神經網絡模型中的模型參數得到模型得分矩陣；

根據所述模型得分矩陣和轉移得分矩陣確定損失函數；

當當前迭代次數達到預設迭代次數時，根據當前迭代中的模型參數創建詞標簽模型，否則根據所述損失函數更新所述模型參數和所述轉移得分矩陣，繼續執行所述迭代處理。

3.根據權利要求2所述的基于卷積神經網絡的評價對象抽取方法，其特征在于，所述模型參數包括：上文卷積過濾器、上文偏置項、下文卷積過濾器、下文偏置項、第一線性轉換參數、第二線性轉換參數、第三線性轉換參數和得分偏置項；

根據所述上文詞向量矩陣、所述下文詞向量矩陣以及卷積神經網絡模型中的模型參數得到模型得分矩陣包括：

根據所述上文詞向量矩陣、所述上文卷積過濾器、所述上文偏置項和所述第一線性轉換參數得到上文特征矩陣；

根據所述下文詞向量矩陣、所述下文卷積過濾器、所述下文偏置項和所述第二線性轉換參數得到下文特征矩陣；

根據所述上文特征矩陣、所述下文特征矩陣、所述第三線性轉換參數和所述得分偏置項得到模型得分矩陣。

4.根據權利要求3所述的基于卷積神經網絡的評價對象抽取方法，其特征在于，所述上文偏置項包括第一上文偏置項和第二上文偏置項；所述下文偏置項包括第一下文偏置項和第二下文偏置項；

根據所述上文詞向量矩陣、所述上文卷積過濾器、所述上文偏置項和所述第一線性轉換參數得到上文特征矩陣包括：

根據所述上文詞向量矩陣、所述上文卷積過濾器和所述第一上文偏置項得到上文特征圖矩陣；

根據所述上文特征圖矩陣、所述第二上文偏置項和所述第一線性轉換參數得到上文特征矩陣；

根據所述下文詞向量矩陣、所述下文卷積過濾器、所述下文偏置項和所述第二線性轉換參數得到下文特征矩陣包括：

根據所述下文詞向量矩陣、所述下文卷積過濾器和所述第一下文偏置項得到下文特征圖矩陣；

根據所述下文特征圖矩陣、所述第二下文偏置項和所述第二線性轉換參數得到下文特征矩陣。

5.根據權利要求1所述的基于卷積神經網絡的評價對象抽取方法，其特征在于，還包括：

獲取歷史語句文本，將所述歷史語句文本劃分為該歷史語句文本中的評價對象對應的上文文本和下文文本；

根據所述上文文本生成上文詞向量矩陣，根據所述下文文本生成下文詞向量矩陣。

6.一種基于卷積神經網絡的評價對象抽取裝置，其特征在于，包括：

詞向量矩陣獲取模塊，用于獲取語句文本并根據所述語句文本中的各單詞生成詞向量矩陣；

詞標簽得分矩陣模塊，用于將所述詞向量矩陣輸入基于上文詞向量矩陣、下文詞向量矩陣和預設的卷積神經網絡模型創建的詞標簽模型中，得到詞標簽得分矩陣；

詞標簽模塊，用于根據所述詞標簽得分矩陣確定各單詞的詞標簽；其中，所述詞標簽包括評價對象詞標簽；

評價對象抽取模塊，用于抽取所述評價對象詞標簽對應的單詞為評價對象。