[发明专利]评论处理模型训练、评论排序方法、装置、设备及介质

权利要求书

1.一种评论处理模型训练方法，其特征在于，包括：

获取至少一个训练评论文本组；一个所述训练评论文本组包括训练评论文本、训练评论标签、训练文本特征和训练文本向量；

获取包含初始参数的预设评论模型；所述预设评论模型中包括情感识别模块、特征识别模块和文本分类模块；

将所述训练评论文本输入至所述情感识别模块，获取第一评论值，将所述训练文本特征输入至所述特征识别模块，获取第二评论值，将所述训练文本向量输入至所述文本分类模块，获取第三评论值；

根据所述第一评论值、第二评论值和第三评论值确定所述训练评论文本对应的预测评论标签，并根据所述预测评论标签和所述训练评论标签确定所述预设评论模型的预测损失值；

在所述预测损失值未达到预设的收敛条件时，迭代更新所述预设评论模型中的初始参数，直至所述预测损失值达到所述收敛条件时，将收敛之后的所述预设评论模型记录为评论处理模型。

2.如权利要求1所述的评论处理模型训练方法，其特征在于，所述获取至少一个训练评论文本组之前，还包括：

获取评论文本集；所述评论文本集中包括至少一个训练评论文本；一个所述训练评论文本对应一个训练评论标签；

对所述训练评论文本进行特征提取，得到所述训练评论文本对应的训练文本特征；

对所述训练评论文本进行向量转换，得到所述训练评论文本对应的训练文本向量；

将所述训练评论文本、与该训练评论文本对应的训练评论标签、训练文本特征和训练文本向量关联记录为训练评论文本组。

3.如权利要求1所述的评论处理模型训练方法，其特征在于，所述将所述训练评论文本输入至所述情感识别模块，获取第一评论值，包括：

通过所述情感识别模块对所述训练评论文本进行分词处理，得到所述训练评论文本中的至少一个训练评论字词；

确定所述训练评论字词对应的评论字词向量，并对各所述训练评论字词对应的评论字词向量进行特征映射，得到映射特征向量；

基于所述映射特征向量确定所述第一评论值。

4.如权利要求1所述的评论处理模型训练方法，其特征在于，所述将所述训练文本特征输入至所述特征识别模块，获取第二评论值，包括：

通过所述特征识别模块确定所述训练文本特征对应的文本特征分布；

基于所述文本特征分布确定所述第二评论值。

5.如权利要求1所述的评论处理模型训练方法，其特征在于，所述将所述训练文本向量输入至所述文本分类模块，获取第三评论值，包括：

通过所述文本分类模块中的卷积网络层对所述训练文本向量进行卷积处理，得到卷积特征向量；

通过所述文本分类模块中的池化网络层对所述卷积特征向量进行池化处理，得到池化特征向量；

通过所述文本分类模块中的全连接层根据所述池化特征向量，确定所述第三评论值。

6.一种评论排序方法，其特征在于，包括：

接收评论排序指令；所述评论排序指令中包括多个目标评论文本；

确定所述目标评论文本对应的目标文本特征和目标文本向量，并将所述目标评论文本、所述目标文本特征和所述目标文本向量输入至评论处理模型中；所述评论处理模型是根据如权利要求1至5任一项所述评论处理模型训练方法得到；

获取所述评论处理模型输出的所述目标评论文本对应的情感评论值，所述目标文本特征对应的特征评论值和所述目标文本向量对应的文本评论值；

根据同一所述目标评论文本对应的情感评论值、特征评论值和文本评论值，确定该目标评论文本的评论排序值；

根据所述评论排序值对各所述目标评论文本进行排序，得到评论文本排序结果。