[发明专利]信息处理模型训练方法、装置、设备及存储介质

权利要求书

1.一种信息处理模型训练方法，其特征在于，所述方法包括：

获取训练样本；

确定所述训练样本对应的以字向量为维度的第一样本特征和以词向量为维度的第二样本特征；

基于所述第一样本特征和所述第二样本特征，及所述训练样本的情感属性训练目标信息处理模型。

2.根据权利要求1所述方法，其特征在于，所述确定所述训练样本对应的以字向量为维度的第一样本特征和以词向量为维度的第二样本特征，包括：

基于所述训练样本，分别获取由单个字组成的字样本序列和由词组组成的词组样本序列；

基于所述字样本序列，获取以字向量为维度的第一样本特征，以及基于所述词组样本序列，获取以词向量为维度的第二样本特征。

3.根据权利要求1所述方法，其特征在于，所述目标信息处理模型包括双线性卷积神经网络模型，所述基于所述第一样本特征和所述第二样本特征，及所述训练样本的情感属性训练目标信息处理模型，包括：

利用所述目标信息处理模型中第一卷积神经网络的卷积层，基于所述第一样本特征，获取各个卷积核对应的第一局部特征；

利用所述第一卷积神经网络的全连接层，将所述第一局部特征进行拼接，获取第一特征；

利用所述目标信息处理模型中第二卷积神经网络的卷积层，基于所述第二样本特征，获取各个卷积核对应的第二局部特征；

利用所述第二卷积神经网络的全连接层，将所述第二局部特征进行拼接，获取第二特征；

利用所述目标信息处理模型中线性混合层，基于所述第一特征和所述第二特征获取混合特征；

将所述混合特征输入到所述目标信息处理模型中输出层，获取所述训练样本的预测情感属性；

基于所述预测情感属性和所述训练样本的情感属性，训练所述目标信息处理模型。

4.根据权利要求1所述方法，其特征在于，在所述训练目标信息处理模型之后，所述方法还包括：

在所述训练样本中选择至少两个第一训练样本；

基于所述至少两个第一训练样本，训练至少两个候选信息处理模型；

利用所述至少两个候选信息处理模型，预测新的样本的预测情感属性。

5.根据权利要求4所述的方法，其特征在于，在所述利用所述至少两个候选信息处理模型，预测新的样本的预测情感属性后，所述方法还包括：

在所述至少两个候选信息处理模型针对所述新的样本，预测的预测情感属性相等的数量大于第一阈值时，将所述新的样本中的第一样本作为所述目标信息处理模型的训练样本；所述第一样本为所述新的样本中的部分或全部样本；

所述至少两个候选信息处理模型针对所述新的样本，预测的预测情感属性相等的数量小于或等于第一阈值时，对所述新的样本的情感属性进行标注，并将所述新的样本作为所述目标信息处理模型的训练样本。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

获取预测样本中以字向量为维度的第三样本特征和以词向量为维度的第四样本特征；

将所述第三样本特征和所述第四样本特征输入所述目标信息处理模型，获得预测样本对应的预测情感属性。

7.一种信息处理模型训练装置，其特征在于，所述装置包括获取模块、确定模块和训练模块，其中，

所述获取模块，用于获取训练样本；

所述确定模块，用于确定所述训练样本对应的以字向量为维度的第一样本特征和以词向量为维度的第二样本特征；

所述训练模块，用于基于所述第一样本特征和所述第二样本特征，及所述训练样本的情感属性训练目标信息处理模型。

8.根据权利要求7所述装置，其特征在于，所述装置还包括预测模块，其中，

所述确定模块，还用于获取预测样本中以字向量为维度的第三样本特征和以词向量为维度的第四样本特征；

所述预测模块，用于将所述第三样本特征和所述第四样本特征输入所述目标信息处理模型，获得预测样本对应的预测情感属性。