[发明专利]神经网络的训练方法、舆情危机识别方法及相关装置

权利要求书

1.一种神经网络的训练方法，其特征在于，所述神经网络用于舆情危机识别，所述方法包括：

获取预设的M个危机类别中每个危机类别下的一个或多个危机评价文本；其中，所述危机评价文本是一个或多个平台中用户评价目标对象的文本，所述危机评价文本用于描述所述目标对象存在的危机问题，不同危机问题对应不同的危机类别；

针对所述M个危机类别中的每个危机类别执行：基于第一危机类别下的危机评价文本，生成一组或多组危机样本；其中，每组危机样本包括一个正样本和多个负样本；所述正样本包括第一危机评价文本、第一指示信息和第一标签，所述第一指示信息用于指示所述第一危机评价文本所描述的危机问题属于所述第一危机类别；所述负样本包括所述第一危机评价文本、第二指示信息和第二标签，所述第二指示信息用于指示所述第一危机评价文本所描述的危机问题属于第二危机类别，所述第二危机类别是所述M个危机类别中除所述第一危机类别之外的一个危机类别；其中，所述第一标签和所述第二标签不同；

将所述危机样本作为训练样本，训练预设神经网络模型，使得训练后的神经网络模型具备识别针对所述目标对象的评价文本和危机类别，输出所述评价文本所描述的危机问题属于对应危机类别的概率的能力；其中，所述危机样本中所述第一危机评价文本和所述第一指示信息作为所述正样本的输入样本，所述第一标签作为所述正样本的输出样本，所述危机样本中所述第一危机评价文本和所述第二指示信息作为所述负样本的输入样本，所述第二标签作为所述负样本的输出样本。

2.根据权利要求1所述的方法，其特征在于，所述预设神经网络模型为孪生网络模型。

3.根据权利要求2所述的方法，其特征在于，所述将所述危机样本作为训练样本，训练预设神经网络模型，包括：

采用N-way-K-shot方法，将所述危机样本作为训练样本，训练所述预设神经网络模型。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述基于所述M个危机类别中的第一危机类别下的危机评价文本，生成一组或多组危机样本，包括：

获取所述第一危机类别分别与所述M个危机类别中每个其他危机类别的相似度，以及所述M个危机类别中每个危机类别下的危机评价文本的数量；

基于获取到的相似度和危机评价文本的数量，计算针对所述第一危机类别下的危机评价文本，需扩充的各个其他危机类别的负样本的数量；其中，针对一个其他危机类别，所述第一危机类别与所述其他危机类别的相似度越高，所述其他危机类别下的危机评价文本的数量越小，针对所述第一危机类别下的危机评价文本，需扩充的所述其他危机类别的负样本的数量越大；

基于所述需扩充的各个其他危机类别的负样本的数量，根据所述第一危机类别下的危机评价文本，生成所述一组或多组危机样本；其中，所述一组或多组危机样本中同一其他危机类别的负样本的总数等于对应其他危机类别需扩充的负样本的数量。

5.根据权利要求4所述的方法，其特征在于，所述基于获取到的相似度和危机评价文本的数量，计算针对所述第一危机类别下的危机评价文本，需扩充的各个其他危机类别的负样本的数量，包括：

针对所述M个危机类别中除所述第一危机类别之外的每个其他危机类别执行：

基于所述第一危机类别与所述第二危机类别的相似度，以及所述M个危机类别中各个其他危机类别下的危机评价文本的数量，计算所述第二危机类别的样本占比；

计算所述第一危机类别下的危机评价文本的数量与所述第二危机类别的样本占比的乘积，得到针对所述第一危机类别下的危机评价文本，需扩充的所述第二危机类别的负样本的数量。

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一危机类别与所述第二危机类别的相似度，以及所述M个危机类别中各个其他危机类别下的危机评价文本的数量，计算所述第二危机类别的样本占比，包括：

采用以下公式：

计算所述第二危机类别的样本占比P_Ki；

其中，S_Ki表示所述第一危机类别k与所述第二危机类别i的相似度，N_i表示所述第二危机类别i下的危机评价文本的数量。