[發明專利]處理輿情信息和訓練分類模型的方法、裝置以及存儲介質

在審

• 申請號: 202110892871.9
• 申請日: 2021-08-04
• 公開（公告）號: CN113762343A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 陳凌云;李寧;徐彬;陳炎;湯鑫;金博昊;張文琰;李明旭;李文婷;陳旭;劉帥
• 申請（專利權）人: 德邦證券股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q10/06;G06Q40/02
• 代理公司: 北京萬思博知識產權代理有限公司 11694
• 代理人: 劉冀

1.一種處理輿情信息的方法，其特征在于，包括：

獲取資訊信息；以及

利用預先設置的輿情分類模型，根據所述資訊信息的內容，確定與所述資訊信息相關聯的輿情標簽，并且其中

對所述輿情分類模型進行訓練的方法包括：

在對所述輿情分類模型進行梯度下降的訓練過程中引入獎懲系數，并通過所述獎懲系數調節所述輿情分類模型確定訓練樣本中的多數類樣本和少數類樣本的敏感度，其中所述獎懲系數反映所述多數類樣本與所述少數類樣本的分布比例情況。

2.根據權利要求1所述的方法，其特征在于，對所述輿情分類模型進行訓練的方法包括利用AdaDelta方法對所述輿情分類模型進行訓練，并且在對所述輿情分類模型進行梯度下降的訓練過程中引入獎懲系數的操作，包括：

按照以下公式(1)計算參數更新的各方向導數分量：

E[g_t，i²]＝ρE[g_t-1，i²]+(1-ρ)κg_t，i² (1)

其中g_t,i為第i個參數θ_i在第t輪參數調整時所用的梯度；

g_t-1,i為第i個參數θ_i在第t-1輪參數調整時所用的梯度；

ρ為動量因子，可以根據具體的情況設定；

E[]為期望值運算；

獎懲系數k通過以下公式(2)確定：

其中k_maj為訓練所述輿情分類模型的樣本中多數類樣本的獎懲系數，k_min為訓練所述輿情分類模型的樣本中少數類樣本的獎懲系數，其中，所述多數類樣本的獎懲系數k_maj和所述少數類樣本的獎懲系數k_min通過下面所述的公式(3)確定：

其中，Percent_all表示所述多數類樣本或所述少數類樣本的樣本數在全量樣本中的占比，Percent_batch表示所述多數類樣本或所述少數類樣本的樣本數在當前批量中的占比。

3.根據權利要求2所述的方法，其特征在于，對所述輿情分類模型進行訓練的方法，還包括通過以下公式，計算第t輪更新時的各個參數θ_i的參數更新量Δθ_i，t：

通過公式(4)利用參數的平方進行滑動平均計算：E[Δθ_i²]_t＝ρE[Δθ_i²]_t-1+(1-ρ)Δθ_t，i² (4)，其中Δθ_i，t為在第t輪更新時第i個參數θi對應的更新量，其中E[Δθ_i²]_t為在第t輪更新時各個參數θi對應的更新量Δθ_i的平方的期望值，E[Δθ_i²]_t-1為在第t-1輪更新時各個參數θi對應的更新量Δθ_i的平方的期望值；

通過公式(5)計算各個參數θ_i的均方根誤差：其中∈為常數；以及

通過公式(6)計算第t輪更新時的各個參數θ_i的參數更新量Δθ_i，t：其中

4.根據權利要求1所述的方法，其特征在于，利用預先設置的所述輿情分類模型，根據所述資訊信息的內容，確定與所述資訊信息相關聯的輿情標簽的操作，包括：

利用預先設置的第一輿情分類模型，根據所述資訊信息的內容，確定與所述資訊信息相關聯的正負情感標簽；和/或

利用預先設置的第二輿情分類模型，根據所述資訊信息的內容，確定關于所述資訊信息相關聯的風險事件標簽。

5.根據權利要求1所述的方法，其特征在于，方法還包括：

利用預先設置的機構識別模型，根據所述資訊信息的內容，確定與所述資訊信息相關聯的機構；以及

將所述輿情標簽與所確定的機構關聯，生成所述機構的輿情信息。