[發明專利]評論歸因模型訓練方法、裝置、電子設備及介質

在審

• 申請號: 202211200560.2
• 申請日: 2022-09-29
• 公開（公告）號: CN115438803A
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 于佳玉
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F40/284;G06F40/242
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種評論歸因模型訓練方法，其特征在于，所述方法包括：

獲取歷史歸因標簽集合及用戶評論，對所述用戶評論進行歸因總結，得到所述用戶評論的目標歸因標簽；

利用預設的評論歸因模型對所述用戶評論及所述目標歸因標簽進行編碼，得到評論編碼向量及標簽編碼向量，并對所述評論編碼向量及所述標簽編碼向量進行平均池化，得到降維評論向量及降維標簽向量；

計算所述降維評論向量與所述降維標簽向量的相似度，利用預設的損失函數計算所述相似度的損失值；

根據所述損失值調整所述歷史歸因標簽集合，并返回所述獲取歷史歸因標簽集合及用戶評論，對所述用戶評論進行歸因總結，得到所述用戶評論的目標歸因標簽步驟，對所述評論歸因模型進行迭代更新，直至所述損失值小于預設閾值，得到訓練完成的評論歸因模型。

2.如權利要求1所述的評論歸因模型訓練方法，其特征在于，所述對所述用戶評論進行歸因總結，得到所述用戶評論的目標歸因標簽，包括：

對所述用戶評論進行文本分詞，得到用戶分詞評論；

識別所述用戶分詞評論中詞組的詞性，并提取所述用戶分詞評論中詞性為名詞的詞組作為首部關鍵詞；

將所述用戶分詞評論中詞性為形容詞的詞組與預設的近似詞組詞典進行匹配，得到尾部關鍵詞；

拼接所述首部關鍵詞及所述尾部關鍵詞，得到目標歸因標簽。

3.如權利要求1所述的評論歸因模型訓練方法，其特征在于，所述利用預設的評論歸因模型對所述用戶評論及所述目標歸因標簽進行編碼，得到評論編碼向量及標簽編碼向量，包括：

分別提取所述用戶評論及所述目標歸因標簽的評論特征向量及標簽特征向量；

利用預設的評論歸因模型中的編碼器分別對所述評論特征向量及所述標簽特征向量進行位置索引編碼，得到評論位置編碼向量及標簽位置編碼向量；

分別將所述評論位置編碼向量及所述標簽位置編碼向量與所述評論特征向量及所述標簽特征向量進行組合，得到評論編碼向量及標簽編碼向量。

4.如權利要求1所述的評論歸因模型訓練方法，其特征在于，所述對所述評論編碼向量及所述標簽編碼向量進行平均池化，得到降維評論向量及降維標簽向量，包括：

利用預設的卷積核，分別對所述評論編碼向量及所述標簽編碼向量進行計算，得到評論向量及降維標簽向量；

分別對所述評論向量及所述降維標簽向量進行平均區域劃分，并取區域內所有向量數值之和的平均值代替所述區域內的向量數值，得到降維評論向量及降維標簽向量。

5.如權利要求1所述的評論歸因模型訓練方法，其特征在于，所述利用預設的損失函數計算所述相似度的損失值，包括：

根據預設閾值，將所述相似度的數值分為高相似度值及低相似度值；

根據所述高相似度值及所述低相似度值，利用下述損失函數計算所述相似度的損失值L：

其中，S_i,z表示高相似度值，S_i,j表示低相似度值，i表示第i條用戶評論，I_pos表示與第i條用戶評論擁有高相似度的目標歸因標簽集合，I_neg表示第i條用戶評論擁有低相似度的目標歸因標簽集合，z表示I_pos目標歸因標簽集合中任意一個目標歸因標簽，j表示I_neg目標歸因標簽集合中任意一個目標歸因標簽，N表示用戶評論的數量。

6.如權利要求1所述的評論歸因模型訓練方法，其特征在于，所述計算所述降維評論向量與所述降維標簽向量的相似度，包括：

將所述降維評論向量及所述降維標簽向量映射至同一預設向量空間，得到同空間降維評論向量及同空間降維標簽向量；

利用下述公式計算所述同空間降維評論向量及所述同空間降維標簽向量的相似度S：

S＝X×Y^T

其中，X表示任意同空間降維評論向量，Y表示任意同空間降維標簽向量，T表示轉置矩陣。