(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210948975.1 (22)申请日 2022.08.09 (71)申请人 中国平安人寿保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心14、 15、 16、 37、 41、 44、 45、 46层 (72)发明人 唐亚　 (74)专利代理 机构 深圳众鼎专利商标代理事务 所(普通合伙) 44325 专利代理师 姚章国 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/284(2020.01) G06F 40/289(2020.01) G06F 40/30(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 评论处理模 型训练、 评论排序方法、 装置、 设 备及介质 (57)摘要 本发明公开了一种评论处理模 型训练、 评论 排序方法、 装置、 设备及介质， 该方法将训练评论 文本输入至情感识别模块获取第一评论值， 将训 练文本特征输入至特征识别模块获取第二评论 值， 将训练文本向量输入至文本分类模块获取第 三评论值； 根据第一评论值、 第二评论值和第三 评论值确定预测评论标签， 根据预测评论标签和 训练评论标签确定预测损失值； 在预测损失值未 达到预设的收敛条件时， 迭代更新预设评论模型 中的初始参数， 直至预测损失值达到所述收敛条 件时， 将收敛之后的预设评论模 型记录为评论处 理模型。 本发 明提高了商品评论排序的效率和准 确率。 权利要求书3页 说明书12页 附图3页 CN 115374277 A 2022.11.22 CN 115374277 A 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；权　利　要　求　书 1/3 页 2 CN 115374277 A 2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。 7.一种评论处 理模型训练装置， 其特 征在于， 包括： 文本获取模块， 用于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； 模型获取模块， 用于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； 文本预测模块， 用于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； 损失确定模块， 用于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； 模型更新模块， 用于在所述预测损 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。 8.一种评论 排序装置， 其特 征在于， 包括： 指令接收模块， 用于接收评论排序指令； 所述评论排序指令中包括目标商品对应的多 个目标评论文本； 文本处理模块， 用于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； 评论值获取模块， 用于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； 评论值整合模块， 用于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； 评论排序模块， 用于根据所述评论排序值对各所述目标评论文本进行排序， 得到所述 目标商品对应的评论文本排序结果。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至权　利　要　求　书 2/3 页 3 CN 115374277 A 3