[发明专利]评论归因模型训练方法、装置、电子设备及介质

说明书

本发明涉及自然语言领域，揭露一种评论归因模型训练方法、装置、电子设备及存储介质，所述方法包括：获取历史归因标签集合及用户评论，对用户评论进行归因总结，得到用户评论的目标归因标签；利用评论归因模型对用户评论及标归因标签进行编码，并对编码后的用户评论及标归因标签进行平均池化，得到降维评论向量及降维标签向量；计算降维评论向量与降维标签向量的相似度，并计算相似度的损失值；根据损失值调整历史归因标签集合，并返回对用户评论进行归因总结，得到用户评论的目标归因标签步骤，直至损失值小于预设阈值，得到训练完成的评论归因模型。本发明可以提高评论归因模型的精准度，并减少了模型训练过程中的资源消耗。

技术领域

本发明涉及自然语言领域，尤其涉及一种评论归因模型训练方法、装置、电子设备及可读存储介质。

背景技术

评论归因指的是根据用户评论的情感倾向，对用户评论打标签的行为，例如，在信用卡服务业务场景下，用户评论是“应急方便，跟备用金一样”，则用户评论对应标签可以是“卡片使用方便”。

目前常见的评论归因模型训练方法一般需要大量的用户评论数据才能够保证评论归因模型训练的精准度，但是在业务场景刚构建的情境下，用户评论数量一般不多，标签不固定，难以支持复杂模型训练，从而容易导致模型精度下降，且增加模型训练过程中的资源消耗。

发明内容

本发明提供一种评论归因模型训练方法、装置、电子设备及可读存储介质，其目的在于提高评论归因模型的精准度，并减少了模型训练过程中的资源消耗。

为实现上述目的，本发明提供的一种评论归因模型训练方法，所述方法包括：

获取历史归因标签集合及用户评论，对所述用户评论进行归因总结，得到所述用户评论的目标归因标签；

利用预设的评论归因模型对所述用户评论及所述目标归因标签进行编码，得到评论编码向量及标签编码向量，并对所述评论编码向量及所述标签编码向量进行平均池化，得到降维评论向量及降维标签向量；

计算所述降维评论向量与所述降维标签向量的相似度，利用预设的损失函数计算所述相似度的损失值；

根据所述损失值调整所述历史归因标签集合，并返回所述获取历史归因标签集合及用户评论，对所述用户评论进行归因总结，得到所述用户评论的目标归因标签步骤，对所述评论归因模型进行迭代更新，直至所述损失值小于预设阈值，得到训练完成的评论归因模型。

可选地，所述对所述用户评论进行归因总结，得到所述用户评论的目标归因标签，包括：

对所述用户评论进行文本分词，得到用户分词评论；

识别所述用户分词评论中词组的词性，并提取所述用户分词评论中词性为名词的词组作为首部关键词；

将所述用户分词评论中词性为形容词的词组与预设的近似词组词典进行匹配，得到尾部关键词；

拼接所述首部关键词及所述尾部关键词，得到目标归因标签。

可选地，所述利用预设的评论归因模型对所述用户评论及所述目标归因标签进行编码，得到评论编码向量及标签编码向量，包括：

分别提取所述用户评论及所述目标归因标签的评论特征向量及标签特征向量；

利用预设的评论归因模型中的编码器分别对所述评论特征向量及所述标签特征向量进行位置索引编码，得到评论位置编码向量及标签位置编码向量；

分别将所述评论位置编码向量及所述标签位置编码向量与所述评论特征向量及所述标签特征向量进行组合，得到评论编码向量及标签编码向量。

可选地，所述对所述评论编码向量及所述标签编码向量进行平均池化，得到降维评论向量及降维标签向量，包括：