[发明专利]数据处理方法、装置、电子设备及存储介质

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取当前商品评论数据；

根据所述当前商品评论数据获得当前词向量矩阵；

将所述当前词向量矩阵输入至训练完成的联合深度学习模型中，预测所述当前商品评论数据的一个或者多个目标标签。

2.根据权利要求1所述的数据处理方法，其特征在于，所述联合深度学习模型包括卷积神经网络模型，所述卷积神经网络模型包括卷积层、池化层和全连接层；

其中，将所述当前词向量矩阵输入至训练完成的联合深度学习模型中，预测所述当前商品评论数据的一个或者多个目标标签，包括：

将所述当前词向量矩阵输入至所述卷积层，输出当前局部特征向量序列；

将所述当前局部特征向量序列输入至所述池化层，输出第一预设维度的句子特征向量；

将所述句子特征向量输入至所述全连接层，输出第二预设维度的语义向量；

其中，所述第二预设维度小于所述第一预设维度。

3.根据权利要求2所述的数据处理方法，其特征在于，所述卷积层包括多个卷积核；其中，将所述当前词向量矩阵输入至所述卷积层，输出当前局部特征向量序列，包括：

将所述当前词向量矩阵分别与每个卷积核进行卷积操作，获得每个卷积核对应的语境特征；

将每个卷积核对应的语境特征进行融合，获得所述当前局部特征向量序列。

4.根据权利要求2所述的数据处理方法，其特征在于，所述联合深度学习模型还包括循环神经网络模型；其中，将所述当前词向量矩阵输入至训练完成的联合深度学习模型中，预测所述当前商品评论数据的一个或者多个目标标签，还包括：

将所述语义向量输入至所述循环神经网络模型，输出所述当前商品评论数据对应的商品的各个标签的概率；

对各个标签的概率进行排序，选取前k个概率最大的标签作为所述当前商品评论数据的目标标签；

其中，k为大于等于1的正整数。

5.根据权利要求4所述的数据处理方法，其特征在于，还包括：

获取前k个最大概率的概率分布；

若所述概率分布满足预设条件，则确定前k个概率最大的标签作为所述当前商品评论数据的目标标签。

6.根据权利要求5所述的数据处理方法，其特征在于，还包括：

若所述概率分布不满足所述预设条件，则从前k个最大概率中选取前m个最大概率；

确定前m个最大概率对应的标签作为所述当前商品评论数据的目标标签；

其中，m为小于等于k且大于等于1的正整数。

7.根据权利要求1所述的数据处理方法，其特征在于，根据所述当前商品评论数据获得当前词向量矩阵，包括：

对所述当前商品评论数据进行预处理，获得当前评论词语序列；

将所述当前评论词语序列输入至训练完成的词向量模型，输出所述当前词向量矩阵。

8.根据权利要求7所述的数据处理方法，其特征在于，还包括：

获得训练数据集，所述训练数据集包括标注其标签的历史商品评论数据；

根据所述历史商品评论数据训练所述词向量模型，并输出历史词向量矩阵；

将所述历史词向量矩阵输入至所述联合深度学习模型，并根据其标注的标签对其进行训练。

9.一种数据处理装置，其特征在于，包括：

评论数据获取模块，配置为获取当前商品评论数据；

向量矩阵获得模块，配置为根据所述当前商品评论数据获得当前词向量矩阵；

目标标签预测模块，配置为将所述当前词向量矩阵输入至训练完成的联合深度学习模型中，预测所述当前商品评论数据的一个或者多个目标标签。

10.一种电子设备，其特征在于，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至8中任一项所述的数据处理方法。

11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的数据处理方法。