[发明专利]构念的分析方法及装置

权利要求书

1.一种构念的分析方法，其特征在于，包括：

将目标对象的描述文本转换为目标文本特征，其中，所述目标对象至少包括以下之一：目标产品、目标品牌；

将所述目标文本特征输入分析模型，处理得到所述目标对象的构念归属于目标构念类型的度量结果，其中，基于预设类型对象的描述文本特征、所述预设类型对象的构念的度量结果训练得到所述分析模型，所述预设类型对象由预设规则抽取得到，所述预设类型对象的构念的度量结果由测量的方式获取得到。

2.根据权利要求1所述的方法，其特征在于，将目标对象的描述文本转换为目标文本特征包括：

对所述目标对象的描述文本进行句子切分，得到多条句子，并对所述多条句子进行分词处理，得到多个词语；

采用语义学习模型对所述多条句子和所述多个词语进行处理，得到所述描述文本的向量表示；

对所述描述文本的向量表示进行聚合处理，得到所述目标文本特征。

3.根据权利要求2所述的方法，其特征在于，采用语义学习模型对所述多条句子和所述多个词语进行处理，得到所述描述文本的向量表示包括：

采用上下文无关的语义表示学习模型训练得到所述多个词语对应的多个词向量；

计算所述多个词向量的平均值，得到所述描述文本的向量表示；或

采用上下文有关的语义表示学习模型对所述多个词语中每个词语的词向量、每个词向量对应的位置向量以及所述多条句子中每个句子的句向量进行训练，得到所述描述文本的向量表示。

4.根据权利要求3所述的方法，其特征在于，所述描述文本包括所述目标对象的评价文本和所述目标对象的介绍文本，所述描述文本的向量表示包括所述评价文本的向量表示和所述介绍文本的向量表示，对所述描述文本的向量表示进行聚合处理，得到所述目标文本特征包括：

在所述描述文本包括多条评价文本时，对所述多条评价文本对应的多个向量表示进行平均，得到所述评价文本的向量表示；

将所述评价文本的向量表示与所述介绍文本的向量表示进行拼接，得到所述目标文本特征。

5.根据权利要求1所述的方法，其特征在于，将所述目标文本特征输入分析模型，处理得到所述目标对象的构念归属于目标构念类型的度量结果包括：

将所述目标文本特征输入第一分析模型，处理得到所述目标对象的构念是否归属于所述目标构念类型的结果，其中，基于所述预设类型对象的描述文本特征、所述预设类型对象的构念归属的构念类型训练得到所述第一分析模型，所述预设类型对象由所述预设规则抽取得到，所述预设类型对象的构念归属的构念类型由测量的方式获取得到。

6.根据权利要求1所述的方法，其特征在于，将所述目标文本特征输入分析模型，处理得到所述目标对象的构念归属于目标构念类型的度量结果包括：

将所述目标文本特征输入所述目标构念类型对应的第二分析模型，处理得到所述目标对象的构念归属于所述目标构念类型的程度量化结果，其中，基于所述预设类型对象的描述文本特征、所述预设类型对象的构念归属于所述目标构念类型的程度量化结果训练得到所述第二分析模型，所述预设类型对象由所述预设规则抽取得到，所述预设类型对象的构念归属于所述目标构念类型的程度量化结果由测量的方式获取得到。

7.根据权利要求1所述的方法，其特征在于，在将所述目标文本特征输入分析模型，处理得到所述目标对象的构念归属于目标构念类型的度量结果之前，所述方法还包括：

选取目标类型的初始分析模型；

采用多次迭代训练的方式训练所述初始分析模型，得到所述分析模型，其中，

在每次迭代训练的过程中，筛选预设类型对象，并获得所述预设类型对象的构念的度量结果，将所述预设类型对象的描述文本转化为第一预设文本特征，并将所述第一预设文本特征以及所述度量结果添加至当前次训练的训练集数据，其中，所述当前次训练的训练集数据还包括：当前次训练之前获取的已知构念的度量结果的对象以及该对象的描述文本特征。