[发明专利]文本情感分类模型训练方法、装置、计算机设备及介质

权利要求书

1.一种文本情感分类模型训练方法，其特征在于，所述方法包括：

获取多个长文本，并对每个长文本进行切分得到多个文本语句；

计算每个长文本中每个文本语句的TextRank值，并根据所述TextRank值为每个长文本生成文本摘要；

计算每个文本摘要中的每个文本语句的情感得分；

根据所述情感得分对每个文本摘要中的多个文本语句进行排序，并根据排序后的多个文本语句生成文本数据集；

基于预训练模型训练多个文本数据集得到文本情感分类模型。

2.如权利要求1所述的文本情感分类模型训练方法，其特征在于，所述计算每个长文本中每个文本语句的TextRank值，并根据所述TextRank值为每个长文本生成文本摘要包括：

基于预设的语言模型对每个文本语句进行语句嵌入获得语句向量；

计算所述语句向量间的相似度，并根据所述相似度生成相似矩阵；

根据所述相似矩阵生成文本图结构；

采用文本排名TextRank算法对所述文本图结构进行计算，得到每个文本语句的TextRank值；

对所述TextRank值进行排序并获取排序在前的多个TextRank值对应的多个目标文本语句；

基于所述多个目标文本语句生成文本摘要。

3.如权利要求1所述的文本情感分类模型训练方法，其特征在于，所述计算每个文本摘要中的每个文本语句的情感得分包括：

对每个文本语句进行分词得到多个分词；

识别每个分词的第一情感词性，其中，所述第一情感词性包括积极词性、消极词性和否定词性；

当识别分词的第一情感词性为积极词性时，识别所述分词的前后分词的第二情感词性，根据所述分词的前后分词的第二情感词性生成第一情感权重；

当识别分词的第一情感词性为消极词性时，识别所述分词的前一分词的第三情感词性，根据所述分词的前一分词的第三情感词性生成第二情感权重；

当识别分词的第一情感词性为否定词性时，将预设的情感权重确定为第三情感权重；

根据所述文本语句中的所有分词对应的所述第一情感权重、所述第二情感权重及所述第三情感权重计算所述文本语句的情感得分。

4.如权利要求1所述的文本情感分类模型训练方法，其特征在于，所述基于预训练模型训练多个文本数据集得到文本情感分类模型包括：

计算每个文本数据集中每个文本语句的字符长度；

从第一个文本语句开始并将所述第一个文本语句之后的文本语句进行字符累加，在累加得到的字符长度超过预设字符长度时，停止字符累加，将累加的文本语句进行拼接得到文本数据；

根据所述文本数据对应的情感得分为所述文本数据生成情感类别标签；

将情感类别标签为正向情感标签及对应的文本数据作为正样本，将情感类别标签为负向情感标签及对应的文本数据作为负样本；

基于所述正样本及所述负样本训练预训练模型得到文本情感分类模型。

5.如权利要求1至4中任意一项所述的文本情感分类模型训练方法，其特征在于，所述获取多个长文本包括：

设置多个搜索关键词；

根据所述多个搜索关键词从多个搜索引擎上爬取多个文本。

6.如权利要求5所述的文本情感分类模型训练方法，其特征在于，在基于预训练模型训练多个文本数据集得到文本情感分类模型之后，所述方法还包括：

获取待监控医院的链接地址；

根据所述链接地址爬取出多个长文本；

输入所述多个长文本至所述文本情感分类模型中进行情感分类得到多个情感类别标签，其中，所述情感类别标签为正向情感标签或者负向情感标签；

计算所述负向情感标签在所述多个情感类别标签中的占比；

比较所述占比与预设比值阈值；

响应于所述占比大于所述预设比值阈值，生成预警指令。