CN110866800A - 评论生成方法及计算设备 - Google Patents

Abstract

本发明公开了一种评论生成方法及计算设备。方法包括步骤：确定与先前的商品评论分句对应的评论分句结构；将评论分句结构输入到训练完成的结构机器学习模型组件，获取相关评论分句结构；利用相关评论分句结构生成当前商品评论分句。采用本申请，可根据用户需求生成各种类型的评论。

Description

评论生成方法及计算设备

技术领域

本发明涉及文本处理技术领域，尤其是评论生成方法及计算设备。

背景技术

随着互联网技术的不断发展，购物方式也随着变化。目前线上购物的用户越来越多，人们在线上挑选商品时，除了对比商品信息外，通常会阅读商品的评论信息后决定是否在店铺购买商品。因此，商品的评论信息对用户的消费行为具有较大的影响力。

为此，商家通常会采用各种方式增加商品的评论数量，特别是好评数量，例如，商家可通过提供奖励的方式鼓励购买商品的用户撰写商品评论，或者要求内部员工或者请人撰写商品评论，但是这种方式无法跟上商品推新的速度，并且成本高，效率低。

此外，商家还可通过分析用户的真实评论来确定评论模板，从词语库中选择词语来填充模板，但是这种方式下的评论结构看起来较为单一，词语库中的词语无法为商品提供定制化的评论，导致不同商品/店铺下面都是相同结构甚至相同内容的评论。这样会让潜在客户很容易地分辨出，这些评论是机器生成的“虚假评论”，降低了用户对评论内容的信任程度，起到了适得其反的作用。

鉴于此，需要一种能够根据用户需求提供不同类型的评论内容的技术方案。

发明内容

为此，本发明提供了一种评论内容生成方法及计算设备，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种评论生成方法，该方法适于在计算设备中执行，所述方法包括：确定与先前的商品评论分句对应的评论分句结构；将所述评论分句结构输入到训练完成的结构机器学习模型组件，获取相关评论分句结构；利用相关评论分句结构生成当前商品评论分句。

可选地，在根据本发明的方法中，所述评论分句结构包括由商品评论分词中的每个评论分词所属的类别构成的表达式。

可选地，在根据本发明的方法中，确定与先前的商品评论对应的评论分句结构的步骤包括：确定构成先前的商品评论分句中的各个分词；确定与各个分词分别对应的各个分词向量；将各个分词向量分别进行近义词聚类，获取与各个评论分词分别对应的类别；利用各个评论分词分别对应的类别，确定所述评论分句结构。

可选地，在根据本发明的方法中，在将各个分词向量分别进行近义词聚类获取与各个评论分词分别对应的类别的步骤后包括：针对获取的每个类别，生成每个类别的候选评论分词集合。

可选地，在根据本发明的方法中，每个分词向量包括对应的分词在所述商品评论所起到的作用。

可选地，在根据本发明的方法中，所述各个分词向量中的每个分词向量包括每个分词的词嵌入向量、词性以及所述商品评论的句法结构。

可选地，在根据本发明的方法中，确定与各个分词分别对应的各个分词向量的步骤包括：将各个分词分别对应的词嵌入向量、词性以及所述商品评论的句法结构执行特征拼接，从而确定各个分词向量。

可选地，在根据本发明的方法中，结构机器学习模型组件根据多个训练分句结构以及与所述多个训练分句结构分别对应的训练相关分句结构之间的对应关系进行机器学习得到的。

可选地，在根据本发明的方法中，确定与先前的商品评论对应的评论分句结构的步骤后包括：确定所述评论分句结构对应的主题。

可选地，在根据本发明的方法中，确定所述评论分句结构对应的主题的步骤包括：基于监督学习方法，将所述评论分句结构输入到训练完成的分类器中，确定所述评论分句结构对应的主题。

可选地，在根据本发明的方法中，所述训练完成的分类器按照如下方式进行训练：对训练评论分句结构进行主题标注，确定与训练评论分句对应的训练主题；利用训练评论分句结构与训练主题的对应关系，完成对所述分类器的训练。

可选地，在根据本发明的方法中，确定所述评论分句结构对应的主题的步骤后包括：确定与所述主题相关的相关主题。

可选地，在根据本发明的方法中，确定与所述主题相关的相关主题的步骤包括：将所述主题输入到词嵌入模型中，确定与所述主题对应的分句嵌入向量；确定与利用所述分句嵌入向量相似的相关分句嵌入向量，从而确定相关主题。

可选地，在根据本发明的方法中，在确定与所述主题相关的相关主题的步骤后包括：确定与所述相关主题对应的相关主题评论分句结构作为相关评论分句结构。

可选地，在根据本发明的方法中，利用相关评论分句结构生成当前商品评论的步骤包括：利用各个分词所属类别的候选评论分词集合中的候选评论分词替换在相关评论分句结构中相同类别的分词，生成当前商品评论。

可选地，在根据本发明的方法中，在生成当前商品评论的步骤后包括：从当前商品评论与先前的商品评论中选择一个或多个商品评论分句，生成分句数量不同的商品评论文本。

根据本发明的又一方面，提供了一种评论生成方法，该方法适于在计算设备中执行，包括：对先前的商品评论分句进行分词处理，确定与所述商品评论分句对应的各个评论分词；通过将每个商品分词的词嵌入向量、词性以及所述商品评论分句的句法结构执行特征拼接，确定每个评论分词的分词向量；通过将各个分词向量分别进行近义词聚类，获取与各个评论分词分别对应的类别；利用各个评论分词分别对应的类别，确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构。

可选地，在根据本发明的方法中，在确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构的步骤后包括：通过将所述评论分句结构输入到训练完成的结构机器学习模型组件，确定与所述评论分句结构相关的相关评论分句结构；利用所述相关评论分句结构，生成当前的商品评论。

可选地，在根据本发明的方法中，在确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构的步骤后包括：确定与所述评论分句结构对应的主题相关的相关主题；确定与所述相关主题对应的相关主题评论分句结构作为相关评论分句结构；利用所述相关评论分句结构，生成当前的商品评论。

根据本发明的又一方面，提供了一种计算设备，包括：一个或多个处理器；和存储器；一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行如上所述方法中的任一方法的指令。

根据本发明的再一方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当计算设备执行时，使得计算设备执行如上所述的方法中的任一方法。

根据本发明的一个实施例的评论生成方法可通过学习先前的商品评论分句生成不同的相关评论分句结构，从而生成当前商品评论分句，这种方式相对于固定评论模板更灵活并且适应性更高。更进一步地，可利用已经训练好的结构机器学习模型组件获取相关评论分句结构，从而能够获取到更多更适合的分句结构，能够为不同的商品提供不同的分句结构。更进一步地，可利用评论分词的类别产生评论分句结构，使得所述评论分句结构可包括类别信息，从而更符合商品的需求。更进一步地，可通过对商品评论中的每个分词执行近义词聚类后确定评论分词的类别，从而使得该类别更准确。更进一步地，本发明中的分词向量可包括词嵌入向量、词性以及句法结构，如此将分词与分句相关联，使得分词向量中包含分句信息，也就是说，每个分词向量包括分词的共现关系，也包括分词在所述分句中的结构信息，使得所述分词向量包含更多的信息，更准确地表达所述分词。更进一步地，可通过对所述分句结构归类为主题后确定相关主题中的相关评论分句结构，也就是说，在确定相关评论分句结构过程中引入主题的概念，从而能够获取到更多相关联的分句，使得生成的商品评论更自然更顺畅并且可解释性强，能够产生让人信服的因果关系。更进一步地，利用各个分词所属类别的候选评论分词集合中的候选评论分词替换在相关评论分句结构中相同类别的分词，生成当前商品评论，这样可通过多层次随机组合方式，生成评论数量巨大，并且评论之间的重合率极低，能够覆盖大规模量的商品。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的计算设备100的构造示意图；

图2示出了根据本发明一个实施例的评论生成系统的场景图；

图3示出了根据本发明一个实施例的评论生成方法300的流程示意图；

图4示出了根据本发明一个实施例的确定评论分句结构的流程示意图；

图5示出了根据本发明一个实施例的各个评论分词归类到各个类别的示意图；

图6示出了根据本发明一个实施例的RNN模型组件的示意图；

图7示出了根据本发明一个实施例的利用RNN模型组件对评论分句结构进行处理的示意图；

图8示出了根据本发明一个实施例的评论分句结构归类为各个主题的示意图；

图9示出了根据本发明一个实施例的评论生成装置的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是示例计算设备100的框图。在基本的配置102中，计算设备100 典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理器，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112 之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118 可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上利用程序数据124进行操作。在一些实施例中，计算设备100被配置为执行评论生成方法200，程序数据124中就包含了用于执行上述方法的指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、图像输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备 162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中以编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外 (IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。在一些实施例中，计算机可读介质中存储一个或多个程序，这一个或多个程序中包括执行某些方法(如方法200) 的指令。

计算设备100可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、数码照相机、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。当然，计算设备100也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机，或者是具有上述配置的服务器。本发明的实施方式对此均不作限制。

图2示出了根据本申请的示例性实施例的评论生成系统的示图。出于描述的目的，所绘的体系结构仅为合适环境的一个示例，并非对本申请的使用范围或功能提出任何局限。也不应将该计算系统解释为对图2所示的任一组件或其组合具有任何依赖或需求。此外，本申请的原理可以使用如图1中所示的计算设备来实现。

在其最基本的配置中，图2中的评论生成系统200至少包括：一个或多个客户端104以及对所述一个或多个客户端104发送的查看评论的请求作出响应的服务器102。服务器102可以是如图1所示的计算设备；客户端104 可以包括：微处理器MCU、与服务器通信的传输装置、与用户交互的显示装置。在本说明书，“系统”也可以被定义为能够执行软件、固件或微码来实现功能的任何硬件组件或硬件组件的组合，所述评论生成方法200甚至可以是分布式的，以实现分布式功能。

如本申请所使用的，术语“模块”、“组件”或“单元”可以指在所述评论生成系统200上执行的软件对象或例程。此处所描述的不同组件、模块、单元、引擎和服务可被实现为在评论生成系统200上执行(例如，作为单独的线程)的对象或进程。尽管此处所描述的系统和方法较佳地以软件来实现，但是硬件或软件和硬件的组合的实现也是可能并被构想的。

在实际处理中，用户(例如，购买者)可利用客户端104搜索感兴趣的商品，并在确定商品后，向服务器200发出浏览商品的商品评论的请求。服务器200在接收到所述请求后，可将由服务器102生成并存储在服务器200 中的商品评论发送给客户端104，其中，服务器102可根据本发明的一个实施例的评论生成方法，解析已有的评论的结构，并利用所述结构确定相关联的评论结构，生成与商品对应的各种评论。

应注意，存在这样一种情况：由服务器200利用本申请的示例性实施例的评论生成方法直接生成并存储这些商品评论。这种方式虽然可行，但在实施中，由于根据本申请的示例实施例的评论生成方法中涉及的运算量比较大，因此，优选地实施例是由独立的单个或者系统服务器102按照本申请的示例性实施例生成评论后，将所述评论发送到服务器200。

随后，用户可利用客户端104浏览商品的商品评论，其中，所述商品评论可包括用于描述商品的购买以及使用情况的文本，并在浏览后确定是否进行下一步操作，比如，购买或者放弃该商品。

为了能够针对每个商品提供定制化的评论，可在向商品提供评论之前，利用已有的商品评论对所需的模型组件进行训练，并在训练完成后，利用训练好的模型组件执行对应的处理。为了更清楚地描述本申请，以下将参照图3，对根据本发明的一个实施例的评论生成方法进行详细描述。

图3示出了根据本发明的一个实施例的评论生成方法的流程图。

如图3所示，在步骤S310，确定与先前的商品评论对应的评论分句结构。应注意，本申请中所指的商品评论均为单条评论分句，并且，每个分句可由各种分词(例如，主语、谓语等)构成。以下将结合图4对步骤S310进行详细描述，图4示出了根据本发明的一个实施例的确定评论分句结构的流程图。

为了确定目标商品的商品评论结构，可收集与所述目标商品相关的商品评论。例如，可收集用户的真实评论，这些真实评论包括同类型的商品的商品评论，目标商品上线一段时间内收集的商品评论或者是商家期望获得的商品评论。

在收集到这些商品评论后，在步骤S410，确定构成先前的商品评论分句中的各个分词，在实施例中，可对这些商品评论分别执行分词处理，确定构成先前的商品评论分句中的各个分词。

这里提到的分词处理不仅是将商品评论划分为按照分词/字为单位，还需要获取每个分词的词性。优选地，可利用HanLP执行分词处理，其中，HanLP 是一系列模型与算法组成的NLP工具包，可包括分词、词性标注、关键词提取、自动摘要等功能。利用HanLP对商品评论进行处理可实现构成商品评论的每个分词以及对应的词性。本申请不限于该方法，任何可用于执行分词处理的分词工具均可应用于此。

为了防止误分词，可预先对大量样本进行统计得到商品评论的专有名词/ 词汇，此外，在这过程中，可去除无用分词，无用分词可包括低频分词/字，并且和/或者，无用分词包括停用分词(这里，停用词既可以指示字，也可以指示分词)。也就是说，可以去除输入文本中的低频分词/字和停用分词。其中，低频分词/字可以是预先对大量预料样本进行统计得到的出现概率比较低的分词或字。停用分词可以通过查找停用词库的方式确定。其中，停用词库可以是预先基于预定的规则生成的，例如，可以将“的”、“地”、“得”等词列入停用词库。在此过程中，所涉及的分句/分词处理可利用本领域已知的分句/分词方法实现，在此将不再赘述。

随后，在步骤S420，确定与各个分词分别对应的各个分词向量，也就是说，可将这些商品评论进行分词并将获取的分词转换为分词向量，具体来说，可对每个划分好的分词执行词嵌入(Word Emdedding)处理，从而获取与每个分词对应的词嵌入向量。词嵌入处理是指利用上下文内容，通过训练好的神经网络语义模型获取每个词的稠密向量表示，因词嵌入是本领域惯用的技术，在此将不再赘述。

接着，针对商品评论中的每个分词，利用以上获取的词嵌入向量、词性以及所述商品评论的句法结构进行拼接，生成与每个分词对应的分词向量。利用这种方式，将已有的商品评论中的各个分词转换为对应的分词向量。

随后，在步骤S430，将各个评论分词向量分别进行近义词聚类，获取与各个评论分词分别对应的类别。如图5所示，“技工”和“师傅”属于同一类别，“技术”、“活儿”以及“技能”属于同一类别，“熟练”、“专业”以及“不错”属于同一类别。所述类别可以由技术人员进行标注。

在实施中，可针对每个类别，生成每个类别的候选评论分词集合，如上所述的主体类别，可在包括“技工”和“师傅”的基础上，对现有的分词进行近义词分析，确定在该类别下的其它候选评论分词，从而生成该类别的候选评论分词集合，从而在后续进行分词置换时可直接从该候选评论分词集合中提取对应的候选分词。

在获取到每个分词对应的类别后，可执行步骤S440，利用各个评论分词分别对应的类别，确定所述评论分句结构。例如，“师傅/技术/不错”这句话中，师傅属于主体，技术属于技术，同时不错属于评论，这样，“师傅/技术/ 不错”按照类别的表达式为“主体/技术/评论”。

可将已有的商品评论与该商品评论对应的表达式对应的存储起来，随后可利用对应存储的商品评论和商品评论表达式对机器学习模型组件进行训练。

所述结构机器学习模型组件根据多个训练分句结构以及与所述多个训练分句结构分别对应的训练相关分句结构之间的对应关系进行机器学习得到的。也就是说，在对所述结构机器学习模型组件进行训练之前，需要预先获取用于训练的训练分句结构以及分别与这些训练分句结构对应的训练相关分句结构。随后，可利用这些训练数据对所述结构机器学习模型组件进行训练。

在实施例中，所述结构机器学习模型组件包括各种神经网络模型组件，在本申请中，所述结构模型机器学习模型组件优选循环神经网络(RNN)模型组件。以下将参照图6和图7解释在本发明采用RNN模型组件的情况。

如图所示的RNN模型组件在训练时会记录上一时间状态的信息，也就是上一时间点信息会影响下一次输出，在图中可明显看出h(t)的状态同时受x(t) 和h(t-1)影响，具体到如图7所示的本发明的场景中，当进行“技术”到“评论”的权重训练时，权重不仅与输入“技术”相关，同时也和上一个输入类别“主语”相关。通过此模型组件，可确定“主语”、“技术”、“评论”等类别的前后顺序关系。

此外，商品评论的长短不同，因此，商品评论分句结构长短不一，因此在进行RNN模型组件进行训练时，可分别输入不同序列长度的商品评论分句分别进行训练，例如，可分别输入序列长度为1到5的评论分句结构分别训练。如图7所示，所述RNN模型组件的输入和输出分别为序列长度为3的商品评论分句结构。所述RNN模型组件可利用以上的输入和输出进行训练，并在训练完成后根据输入的评论分句结构，生成新的评论分句结构。

在优选实施例中，所述评论生成方法可在确定与先前的商品评论对应的评论分句结构的步骤后，确定所述评论分句结构对应的主题。

具体来说，基于监督学习方法，将所述评论分句结构输入到训练完成的分类器中，确定所述评论分句结构对应的主题。也就是说，可预先获取多个评论分句结构以及对这些评论分句结构分别进行主题标注，并利用这些标注数据对所述分类器进行训练，这样后续可利用训练好的分类器来获取在步骤 S310中获取的评论分句结构的主题。

如图8所示，每个分句评论结构可被划分为不同的主题，应注意，每个分句评论结构可能分别属于不同的主题，这取决于技术人员对于分类器中各个主题的阈值设置。

随后，可确定与所述主题相关的相关主题，具体来说，将所述主题输入到词嵌入模型中，确定与所述主题对应的分句嵌入向量。在实施中，可将所述主题作为分词输入到词嵌入模型组件中，从而确定与所述主题对应的主题嵌入向量作为以分句为单位获取的分句嵌入向量。随后，确定与利用所述分句嵌入向量相似的相关分句嵌入向量，从而确定相关主题。

在实施中，可根据确定的相关主题，确定与所述相关主题对应的相关主题评论分句结构作为相关评论分句结构。根据本发明的示例性实施例，可将按照以上方式获取的评论分句结构与主题对应地存储在一起，也就是说，不同的主题可包括与其对应的多种评论分句结构。因此，在确定相关主题后，可查找与该主题对应的相关评论分句结构。

最后，可将获取的属于同一主题下的评论分句结构以及获取的属于不同主题下的相关主题评论分句结构作为相关评论分句结构，并利用利用相关评论分句结构生成当前商品评论，也就是说，利用各个分词所属类别的候选评论分词集合中的候选评论分词替换在相关评论分句结构中相同类别的分词，生成当前商品评论。

虽然在本发明中提及的商品评论均为单条评论分句，但是用户在对商品进行评论时，可能会采用多个商品评论分句进行评论。因此，可从当前商品评论与先前的商品评论中选择一个或多个商品评论分句，生成分句数量不同的商品评论文本。

举例来说，假设已获取到“服务人员非常靠谱”的商品评论服务，可如上所述，确定该商品评论的分句结构为主体/副词/评论。在实施中，用户可直接利用候选评论分词集合中的其它分词对同一类别的分词进行替换，例如，主体类别下有：张师傅、李师傅、技工、小张。评论类别下有：不错，好，行，专业，亲切。副词里有：很，特别，非常。那么“人物/副词/评论”这个评论分句结构就可以生成“张师傅很不错”，“技工非常专业”，“小张特别亲切”等分句。

此外，可利用结构机器学习模型组件生成更多的评论分句结构，例如，在确定利用RNN结构模型组件输出类别的数量为K，并且每个类别下的候选分词数量为N_i(i∈K))，则短句数量总数为

如上所述，分句的组合数量为4*4*3＝48。如果RNN结构模型组件输出的数量为S，则评论分句的总数为S*P，这个数量是非常庞大的，从而解决了评论的规模化问题。

此外，还可根据主题来确定更多的评论分句结构，例如，“王师傅技术不错”，“技术活儿好，老板很赞”，“技工非常专业”，虽然评论分句结构不同，但是评论主题都可以归结为：“技术主题”。其结构表示“人物/技术/评论”，“人物/评论/人物”，“人物/副词/评论”，这三种结构会被映射到同一个主题空间下，在此空间下，评论分句结构中的每个类别下的分词均可被替换。

更进一步地，可利用主题之间的相似性，对以上获取的主题生成相似主题，例如，可获取到相似评论“人物评论”、“环境评论”和“商品评论”，然后每个主题评论下具有不同的评论分句结构。基于以上步骤，可获取到大量的评价分句结构，随后，可利用候选评论分词集合和评论分句结构，产生大量的评论分句，这个数量级基本可以覆盖千万级甚至亿级单位的物品，并且保证结构、内容上的不重复。

综上可述，根据本发明的一个实施例的评论生成方法可通过学习先前的商品评论分句生成不同的相关评论分句结构，从而生成当前商品评论分句，这种方式相对于固定评论模板更灵活并且适应性更高。更进一步地，可利用已经训练好的结构机器学习模型组件获取相关评论分句结构，从而能够获取到更多更适合的分句结构，能够为不同的商品提供不同的分句结构。更进一步地，可利用评论分词的类别产生评论分句结构，使得所述评论分句结构可包括类别信息，从而更符合商品的需求。更进一步地，可通过对商品评论中的每个分词执行近义词聚类后确定评论分词的类别，从而使得该类别更准确。更进一步地，本发明中的分词向量可包括词嵌入向量、词性以及句法结构，如此将分词与分句相关联，使得分词向量中包含分句信息，也就是说，每个分词向量包括分词的共现关系，也包括分词在所述分句中的结构信息，使得所述分词向量包含更多的信息，更准确地表达所述分词。更进一步地，可通过对所述分句结构归类为主题后确定相关主题中的相关评论分句结构，也就是说，在确定相关评论分句结构过程中引入主题的概念，从而能够获取到更多相关联的分句，使得生成的商品评论更自然更顺畅并且可解释性强，能够产生让人信服的因果关系。更进一步地，利用各个分词所属类别的候选评论分词集合中的候选评论分词替换在相关评论分句结构中相同类别的分词，生成当前商品评论，这样可通过多层次随机组合方式，生成评论数量巨大，并且评论之间的重合率极低，能够覆盖大规模量的商品。

图9示出本申请的示例性实施例的评论生成装置的框图。参考图9，在硬件层面，该装置包括处理器、内部总线和计算机可读存储介质，其中，所述计算机可读存储介质包括易失性存储器和非易失性存储器。处理器从非易失性存储器中读取对应的计算机程序然后运行。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

具体来说，所述处理器执行以下操作：确定与先前的商品评论分句对应的评论分句结构；将所述评论分句结构输入到训练完成的结构机器学习模型组件，获取相关评论分句结构；利用相关评论分句结构生成当前商品评论分句。

可选地，所述评论分句结构包括由商品评论分词中的每个评论分词所属的类别构成的表达式。

可选地，所述处理器确定与先前的商品评论对应的评论分句结构的步骤包括：确定构成先前的商品评论分句中的各个分词；确定与各个分词分别对应的各个分词向量；将各个分词向量分别进行近义词聚类，获取与各个评论分词分别对应的类别；利用各个评论分词分别对应的类别，确定所述评论分句结构。

可选地，所述处理器在将各个分词向量分别进行近义词聚类获取与各个评论分词分别对应的类别的步骤后包括：针对获取的每个类别，生成每个类别的候选评论分词集合。

可选地，每个分词向量包括对应的分词在所述商品评论所起到的作用。

可选地，所述各个分词向量中的每个分词向量包括每个分词的词嵌入向量、词性以及所述商品评论的句法结构。

可选地，所述处理器确定与各个分词分别对应的各个分词向量的步骤包括：将各个分词分别对应的词嵌入向量、词性以及所述商品评论的句法结构执行特征拼接，从而确定各个分词向量。

可选地，结构机器学习模型组件根据多个训练分句结构以及与所述多个训练分句结构分别对应的训练相关分句结构之间的对应关系进行机器学习得到的。

可选地，所述处理器确定与先前的商品评论对应的评论分句结构的步骤后包括：确定所述评论分句结构对应的主题。

可选地，所述处理器确定所述评论分句结构对应的主题的步骤包括：基于监督学习方法，将所述评论分句结构输入到训练完成的分类器中，确定所述评论分句结构对应的主题。

可选地，所述处理器所述训练完成的分类器按照如下方式进行训练：对训练评论分句结构进行主题标注，确定与训练评论分句对应的训练主题；利用训练评论分句结构与训练主题的对应关系，完成对所述分类器的训练。

可选地，所述处理器确定所述评论分句结构对应的主题的步骤后包括：确定与所述主题相关的相关主题。

可选地，所述处理器确定与所述主题相关的相关主题的步骤包括：将所述主题输入到词嵌入模型组件中，确定与所述主题对应的分句嵌入向量；确定与利用所述分句嵌入向量相似的相关分句嵌入向量，从而确定相关主题。

可选地，所述处理器在确定与所述主题相关的相关主题的步骤后包括：确定与所述相关主题对应的相关主题评论分句结构作为相关评论分句结构。

可选地，所述处理器利用相关评论分句结构生成当前商品评论的步骤包括：利用各个分词所属类别的候选评论分词集合中的候选评论分词替换在相关评论分句结构中相同类别的分词，生成当前商品评论。

可选地，所述处理器在生成当前商品评论的步骤后包括：从当前商品评论与先前的商品评论中选择一个或多个商品评论分句，生成分句数量不同的商品评论文本。

此外，根据本发明另一实施例，所述处理器可执行以下步骤：对先前的商品评论分句进行分词处理，确定与所述商品评论分句对应的各个评论分词；通过将每个商品分词的词嵌入向量、词性以及所述商品评论分句的句法结构执行特征拼接，确定每个评论分词的分词向量；通过将各个分词向量分别进行近义词聚类，获取与各个评论分词分别对应的类别；利用各个评论分词分别对应的类别，确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构。

可选地，所述处理器在确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构的步骤后包括：通过将所述评论分句结构输入到训练完成的结构机器学习模型组件，确定与所述评论分句结构相关的相关评论分句结构；利用所述相关评论分句结构，生成当前的商品评论。

可选地，在确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构的步骤后包括：确定与所述评论分句结构对应的主题相关的相关主题；确定与所述相关主题对应的相关主题评论分句结构作为相关评论分句结构；利用所述相关评论分句结构，生成当前的商品评论。

综上可述，根据本发明的一个实施例的评论生成装置可通过学习先前的商品评论分句生成不同的相关评论分句结构，从而生成当前商品评论分句，这种方式相对于固定评论模板更灵活并且适应性更高。更进一步地，可利用已经训练好的结构机器学习模型组件获取相关评论分句结构，从而能够获取到更多更适合的分句结构，能够为不同的商品提供不同的分句结构。更进一步地，可利用评论分词的类别产生评论分句结构，使得所述评论分句结构可包括类别信息，从而更符合商品的需求。更进一步地，可通过对商品评论中的每个分词执行近义词聚类后确定评论分词的类别，从而使得该类别更准确。更进一步地，本发明中的分词向量可包括词嵌入向量、词性以及句法结构，如此将分词与分句相关联，使得分词向量中包含分句信息，也就是说，每个分词向量包括分词的共现关系，也包括分词在所述分句中的结构信息，使得所述分词向量包含更多的信息，更准确地表达所述分词。更进一步地，可通过对所述分句结构归类为主题后确定相关主题中的相关评论分句结构，也就是说，在确定相关评论分句结构过程中引入主题的概念，从而能够获取到更多相关联的分句，使得生成的商品评论更自然更顺畅并且可解释性强，能够产生让人信服的因果关系。更进一步地，利用各个分词所属类别的候选评论分词集合中的候选评论分词替换在相关评论分句结构中相同类别的分词，生成当前商品评论，这样可通过多层次随机组合方式，生成评论数量巨大，并且评论之间的重合率极低，能够覆盖大规模量的商品。

应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本发明一并公开了：

A6、如A5所述的方法，其特征在于，各个分词向量中的每个分词向量包括每个分词的词嵌入向量、词性以及所述商品评论的句法结构。

A7、如A6所述的方法，其特征在于，确定与各个分词分别对应的各个分词向量的步骤包括：将各个分词分别对应的词嵌入向量、词性以及商品评论的句法结构执行特征拼接，从而确定各个分词向量。

A8、如A7中的任一权利要求所述的方法，其特征在于，结构机器学习模型组件根据多个训练分句结构以及与所述多个训练分句结构分别对应的训练相关分句结构之间的对应关系进行机器学习得到的。

A9、如A8所述的方法，其特征在于，确定与先前的商品评论对应的评论分句结构的步骤后包括：确定评论分句结构对应的主题。

A10、如A9所述的方法，其特征在于，确定评论分句结构对应的主题的步骤包括：基于监督学习方法，将评论分句结构输入到训练完成的分类器中，确定评论分句结构对应的主题。

A11、如A10所述的方法，其特征在于，训练完成的分类器按照如下方式进行训练：对训练评论分句结构进行主题标注，确定与训练评论分句对应的训练主题；利用训练评论分句结构与训练主题的对应关系，完成对分类器的训练。

A12、如A11所述的方法，其特征在于，确定评论分句结构对应的主题的步骤后包括：确定与主题相关的相关主题。

A13、如A12所述的方法，其特征在于，确定与主题相关的相关主题的步骤包括：将主题输入到词嵌入模型组件中，确定与主题对应的分句嵌入向量；确定与利用分句嵌入向量相似的相关分句嵌入向量，从而确定相关主题。

A14、如A13所述的方法，其特征在于，在确定与主题相关的相关主题的步骤后包括：确定与相关主题对应的相关主题评论分句结构作为相关评论分句结构。

A15、如A14所述的方法，其特征在于，利用相关评论分句结构生成当前商品评论的步骤包括：利用各个分词所属类别的候选评论分词集合中的候选评论分词替换在相关评论分句结构中相同类别的分词，生成当前商品评论。

A16、如A15所述的方法，其特征在于，在生成当前商品评论的步骤后包括：从当前商品评论与先前的商品评论中选择一个或多个商品评论分句，生成分句数量不同的商品评论文本。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明所述的方法。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种评论生成方法，该方法适于在计算设备中执行，其特征在于，包括：

确定与先前的商品评论分句对应的评论分句结构；

将所述评论分句结构输入到训练完成的结构机器学习模型组件，获取相关评论分句结构；

利用相关评论分句结构生成当前商品评论分句。

2.如权利要求1所述的方法，其特征在于，所述评论分句结构包括由商品评论分词中的每个评论分词所属的类别构成的表达式。

3.如权利要求2所述的方法，其特征在于，确定与先前的商品评论对应的评论分句结构的步骤包括：

确定构成先前的商品评论分句中的各个分词；

确定与各个分词分别对应的各个分词向量；

将各个分词向量分别进行近义词聚类，获取与各个评论分词分别对应的类别；

利用各个评论分词分别对应的类别，确定所述评论分句结构。

4.如权利要求3所述的方法，其特征在于，在将各个分词向量分别进行近义词聚类获取与各个评论分词分别对应的类别的步骤后包括：

针对获取的每个类别，生成每个类别的候选评论分词集合。

5.如权利要求4所述的方法，其特征在于，每个分词向量包括对应的分词在所述商品评论所起到的作用。

6.一种评论生成方法，该方法适于在计算设备中执行，其特征在于，包括：

对先前的商品评论分句进行分词处理，确定与所述商品评论分句对应的各个评论分词；

通过将每个商品分词的词嵌入向量、词性以及所述商品评论分句的句法结构执行特征拼接，确定每个评论分词的分词向量；

通过将各个分词向量分别进行近义词聚类，获取与各个评论分词分别对应的类别；

利用各个评论分词分别对应的类别，确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构。

7.如权利要求6所述的方法，其特征在于，在确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构的步骤后包括：

通过将所述评论分句结构输入到训练完成的结构机器学习模型组件，确定与所述评论分句结构相关的相关评论分句结构；

利用所述相关评论分句结构，生成当前的商品评论。

8.如权利要求6所述的方法，其特征在于，在确定利用所述类别构成的表达式作为所述商品评论分句的评论分句结构的步骤后包括：

确定与所述评论分句结构对应的主题相关的相关主题；

确定与所述相关主题对应的相关主题评论分句结构作为相关评论分句结构；

利用所述相关评论分句结构，生成当前的商品评论。

9.一种计算设备，包括：

一个或多个处理器；和

存储器；

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-8所述方法中的任一方法的指令。

10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。

Images