[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

本發明涉及自然語言領域，揭露一種評論歸因模型訓練方法、裝置、電子設備及存儲介質，所述方法包括：獲取歷史歸因標簽集合及用戶評論，對用戶評論進行歸因總結，得到用戶評論的目標歸因標簽；利用評論歸因模型對用戶評論及標歸因標簽進行編碼，并對編碼后的用戶評論及標歸因標簽進行平均池化，得到降維評論向量及降維標簽向量；計算降維評論向量與降維標簽向量的相似度，并計算相似度的損失值；根據損失值調整歷史歸因標簽集合，并返回對用戶評論進行歸因總結，得到用戶評論的目標歸因標簽步驟，直至損失值小于預設閾值，得到訓練完成的評論歸因模型。本發明可以提高評論歸因模型的精準度，并減少了模型訓練過程中的資源消耗。

技術領域

本發明涉及自然語言領域，尤其涉及一種評論歸因模型訓練方法、裝置、電子設備及可讀存儲介質。

背景技術

評論歸因指的是根據用戶評論的情感傾向，對用戶評論打標簽的行為，例如，在信用卡服務業務場景下，用戶評論是“應急方便，跟備用金一樣”，則用戶評論對應標簽可以是“卡片使用方便”。

目前常見的評論歸因模型訓練方法一般需要大量的用戶評論數據才能夠保證評論歸因模型訓練的精準度，但是在業務場景剛構建的情境下，用戶評論數量一般不多，標簽不固定，難以支持復雜模型訓練，從而容易導致模型精度下降，且增加模型訓練過程中的資源消耗。

發明內容

本發明提供一種評論歸因模型訓練方法、裝置、電子設備及可讀存儲介質，其目的在于提高評論歸因模型的精準度，并減少了模型訓練過程中的資源消耗。

為實現上述目的，本發明提供的一種評論歸因模型訓練方法，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。

可選地，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。

可選地，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。

可選地，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：