CN111859908B - 情感学习的预训练方法、装置、电子设备和可读存储介质 - Google Patents

Abstract

本申请公开了一种情感学习的预训练方法、装置、电子设备和可读存储介质，涉及深度学习技术领域。本申请在进行情感学习的预训练时所采用的实现方案为：获取待处理文本；确定各待处理文本对应的情感信息；利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本；分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练。本申请能够使得深度学习模型在预训练的过程中通过不同任务来充分地学习文本中的情感信息。

Description

情感学习的预训练方法、装置、电子设备和可读存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及深度学习技术领域中的一种情感学习的预训练方法、装置、电子设备和可读存储介质。

背景技术

情感分析是指研究人们对产品、服务、组织等实体的观点、态度、评价等的技术。若情感分析无法从文本中获取足够的情感信息，则会降低情感分析的准确性。现有技术中通常采用预训练得到的深度学习模型来进行情感分析。但是，现有技术在进行深度学习模型的预训练时，仅会设置通用的文本学习任务，来学习文本中的词语信息或者句子信息，其无法准确学习文本中所包含的情感信息。

发明内容

本申请为解决技术问题所采用的技术方案是提供一种情感学习的预训练方法，包括：获取待处理文本；确定各待处理文本对应的情感信息；利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本；分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练。

本申请为解决技术问题所采用的技术方案是提供一种情感学习的预训练装置，包括：获取单元，用于获取待处理文本；确定单元，用于确定各待处理文本对应的情感信息；构造单元，用于利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本；训练单元，用于分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练。

一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行上述方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述方法。

上述申请中的一个实施例具有如下优点或有益效果：本申请能够使得深度学习模型在预训练的过程中通过不同任务来充分地学习文本中的情感信息。因为采用了通过情感信息构造对应各情感预训练任务的训练样本的技术手段，所以克服了现有技术通用的预训练方法无法准确学习文本中的情感信息的技术问题，实现了使得深度学习模型在预训练的过程中通过不同任务来充分地学习文本中的情感信息的技术效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是用来实现本申请实施例的情感学习的预训练方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的示意图。如图1中所示，本实施例的情感学习的预训练方法，具体可以包括如下步骤：

S101、获取待处理文本；

S102、确定各待处理文本对应的情感信息；

S103、利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本；

S104、分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练。

本实施例的情感学习的预训练方法，通过文本中的情感信息来构造对应各情感预训练任务的训练样本之后，再分别使用对应不同情感预训练任务的训练样本对深度学习模型进行预训练，使得深度学习模型在预训练的过程中通过不同任务来充分地学习文本中的情感信息。

本实施例在执行S101获取待处理文本之后，执行S102来确定各待处理文本所对应的情感信息。其中，本实施例在执行S102所确定的情感信息中，包含待处理文本中的情感词、情感词持有者、情感词对象以及情感词-情感词对象对。

具体地，本实施例所确定的情感词为待处理文本中用于表示情感的词语；情感词持有者为待处理文本中表达情感词的主体词语；情感词对象为待处理文本中情感词所对应的实体词语；情感词-情感词对象对即为待处理文本中具有对应关系的情感词以及情感词对象所组成的词语对。

举例来说，若本实施例执行S101获取了“我非常喜欢之前买的佳能相机的外观”的文本，则执行S102确定该文本对应的情感信息中，情感词为“非常喜欢”、情感词持有者为“我”、情感词对象为“外观”、情感词-情感词对象对为“非常喜欢-外观”。

可以理解的是，本实施例在执行S102确定各待处理文本对应的情感信息时，可以采用人工标注的方式来确定待处理文本中的情感信息；也可以将待处理文本作为预先训练得到的深度学习模型的输入，根据该深度学习模型的输出结果来确定该待处理文本的情感信息，即该深度学习模型能够根据所输入的文本输出对应的情感信息。

本实施例在执行S102确定了待处理文本对应的情感信息之后，执行S103利用所确定的情感信息，来构造对应各情感预训练任务的训练样本。其中，本实施例中的情感预训练任务是预先定义的，用于学习文本中的不同情感信息。

本实施例中的情感预训练任务可以分为词级别的情感预训练任务以及句子级别的情感预训练任务，用于分别从词层面和句子层面来学习文本中不同粒度的情感信息。

其中，本实施例中词级别的情感预训练任务包含情感词的学习任务、情感词持有者的学习任务以及情感词对象的学习任务；句子级别的情感预训练任务包含情感词-情感词对象对的学习任务以及情感词情感极性的学习任务。

本实施例中情感词的学习任务，学习目标为：遮盖文本中的情感词之后，对文本中所遮盖的情感词进行预测。

因此，本实施例在执行S103利用各待处理文本对应的情感信息，构造对应情感词的学习任务的训练样本时，可以采用以下方式：将待处理文本中的情感词进行遮盖，例如使用[MASK]替换文本中的情感词；将各待处理文本遮盖情感词之后的结果，作为对应情感词的学习任务的训练样本。

本实施例中情感词持有者的学习任务，学习目标为：遮盖文本中的情感词持有者之后，对文本中所遮盖的情感词持有者进行预测。

因此，本实施例在执行S103利用各待处理文本对应的情感信息，构造对应情感词持有者的学习任务的训练样本时，可以采用以下方式：将待处理文本中的情感词持有者进行遮盖，例如使用[MASK]替换文本中的情感词持有者；将各待处理文本遮盖情感词持有者之后的结果，作为对应情感词持有者的学习任务的训练样本。

本实施例中情感词对象的学习任务，学习目标为：遮盖文本中的情感词对象之后，对文本中所遮盖的情感词对象进行预测。

因此，本实施例在执行S103利用各待处理文本对应的情感信息，构造对应情感词对象的学习任务的训练样本时，可以采用以下方式：将待处理文本中的情感词对象进行遮盖，例如使用[MASK]替换文本中的情感词对象；将各待处理文本遮盖情感词对象之后的结果，作为对应情感词对象的学习任务的训练样本。

本实施例中情感词-情感词对象对的学习任务，学习目标为：确定情感词-情感词对象对中的情感词或者情感词对象是否被替换。

因此，本实施例在执行S103利用各待处理文本对应的情感信息，构造对应情感词-情感词对象对的学习任务的训练样本时，可以采用以下方式：将各待处理文本对应的情感词-情感词对象对作为正样本；替换情感词-情感词对象对中的情感词和/或情感词对象，将替换结果作为负样本；将所得到的正样本以及负样本，作为对应情感词-情感词对象对的学习任务的训练样本。

本实施例中情感词情感极性的学习任务，学习目标为：确定不同的情感词所表示的情感极性是相同还是相反。

因此，本实施例在执行S103利用各待处理文本对应的情感信息，构造对应情感词情感极性的学习任务的训练样本时，可以采用以下方式：确定各待处理文本对应的情感词的情感极性，其中情感极性可以为正面或者负面；将各情感词及其对应的情感极性作为对应情感词情感极性的学习任务的训练样本。

本实施例在执行S103利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本之后，执行S104分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练。其中，本实施例S104中的深度学习模型为预训练模型，例如BERT、ERNIE等。

由于本实施例采用定义多个情感预训练任务的方式，来对深度学习模型进行预训练，使得经过预训练的深度学习模型，能够获取文本中更为丰富的情感信息，提升该深度学习模型在情感领域的分析能力。

可以理解的是，本实施例在执行S104分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练时，可以在完成一个情感预训练任务之后，在进行其他情感预训练任务的训练。这样，本实施例就可以使用前一个任务训练好的参数作为下一个任务模型初始化的参数，保证了深度学习模型不会忘记之前学习到的知识。

本实施例在执行S104完成对深度学习模型的预训练之后，可以根据具体的情感分析任务对已完成预训练的深度学习模型进行微调(Fine-tuning)，使得该深度学习模型能够适用于多种与情感分析相关的自然语言处理任务。

采用本实施例所提供的上述方法，通过获取文本中的情感信息，来构造对应各情感预训练任务的训练样本，再分别使用对应不同情感预训练任务的训练样本对深度学习模型进行预训练，使得深度学习模型在预训练的过程中通过不同任务来充分地学习文本中的情感信息。

图2是根据本申请第二实施例的示意图。如图2中所示，本实施例的情感学习的预训练装置，包括：

获取单元201、用于获取待处理文本；

确定单元202、用于确定各待处理文本对应的情感信息；

构造单元203、用于利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本；

训练单元204、用于分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练。

获取单元201在获取待处理文本之后，由确定单元202来确定各待处理文本所对应的情感信息。其中，确定单元202所确定的情感信息中，包含待处理文本中的情感词、情感词持有者、情感词对象以及情感词-情感词对象对。

具体地，确定单元202所确定的情感词为待处理文本中用于表示情感的词语；情感词持有者为待处理文本中表达情感词的主体词语；情感词对象为待处理文本中情感词所对应的实体词语；情感词-情感词对象对即为待处理文本中具有对应关系的情感词以及情感词对象所组成的词语对。

可以理解的是，确定单元202在确定各待处理文本对应的情感信息时，可以采用人工标注的方式来确定待处理文本中的情感信息；也可以将待处理文本作为预先训练得到的深度学习模型的输入，根据该深度学习模型的输出结果来确定该待处理文本的情感信息，即该深度学习模型能够根据所输入的文本输出对应的情感信息。

在确定单元202确定了待处理文本对应的情感信息之后，构造单元203利用所确定的情感信息，来构造对应各情感预训练任务的训练样本。其中，构造单元203中的情感预训练任务是预先定义的，用于学习文本中的不同情感信息。

构造单元203的情感预训练任务可以分为词级别的情感预训练任务以及句子级别的情感预训练任务，用于分别从词层面和句子层面来学习文本中不同粒度的情感信息。

其中，构造单元203中词级别的情感预训练任务包含情感词的学习任务、情感词持有者的学习任务以及情感词对象的学习任务；句子级别的情感预训练任务包含情感词-情感词对象对的学习任务以及情感词情感极性的学习任务。

构造单元203中情感词的学习任务，学习目标为：遮盖文本中的情感词之后，对文本中所遮盖的情感词进行预测。

因此，构造单元203在利用各待处理文本对应的情感信息，构造对应情感词的学习任务的训练样本时，可以采用以下方式：将待处理文本中的情感词进行遮盖；将各待处理文本遮盖情感词之后的结果，作为对应情感词的学习任务的训练样本。

构造单元203中情感词持有者的学习任务，学习目标为：遮盖文本中的情感词持有者之后，对文本中所遮盖的情感词持有者进行预测。

因此，构造单元203在利用各待处理文本对应的情感信息，构造对应情感词持有者的学习任务的训练样本时，可以采用以下方式：将待处理文本中的情感词持有者进行遮盖；将各待处理文本遮盖情感词持有者之后的结果，作为对应情感词持有者的学习任务的训练样本。

构造单元203中情感词对象的学习任务，学习目标为：遮盖文本中的情感词对象之后，对文本中所遮盖的情感词对象进行预测。

因此，构造单元203在利用各待处理文本对应的情感信息，构造对应情感词对象的学习任务的训练样本时，可以采用以下方式：将待处理文本中的情感词对象进行遮盖；将各待处理文本遮盖情感词对象之后的结果，作为对应情感词对象的学习任务的训练样本。

构造单元203中情感词-情感词对象对的学习任务，学习目标为：确定情感词-情感词对象对中的情感词或者情感词对象是否被替换。

因此，构造单元203在利用各待处理文本对应的情感信息，构造对应情感词-情感词对象对的学习任务的训练样本时，可以采用以下方式：将各待处理文本对应的情感词-情感词对象对作为正样本；替换情感词-情感词对象对中的情感词和/或情感词对象，将替换结果作为负样本；将所得到的正样本以及负样本，作为对应情感词-情感词对象对的学习任务的训练样本。

构造单元203中情感词情感极性的学习任务，学习目标为：确定不同的情感词所表示的情感极性是相同还是相反。

因此，构造单元203在利用各待处理文本对应的情感信息，构造对应情感词情感极性的学习任务的训练样本时，可以采用以下方式：确定各待处理文本对应的情感词的情感极性，其中情感极性可以为正面或者负面；将各情感词及其对应的情感极性作为对应情感词情感极性的学习任务的训练样本。

构造单元203在利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本之后，由训练单元204分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练。其中，训练单元204中的深度学习模型为预训练模型，例如BERT、ERNIE等。

可以理解的是，训练单元204在分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练时，可以在完成一个情感预训练任务之后，在进行其他情感预训练任务的训练。这样，训练单元204就可以使用前一个任务训练好的参数作为下一个任务模型初始化的参数，保证了深度学习模型不会忘记之前学习到的知识。

训练单元204在完成对深度学习模型的预训练之后，可以根据具体的情感分析任务对已完成预训练的深度学习模型进行微调(Fine-tuning)，使得该深度学习模型能够适用多种与情感分析相关的自然语言处理任务。

根据本申请的实施例，本申请还提供了一种电子设备、一种计算机可读存储介质以及一种计算机程序产品。

如图3所示，是根据本申请实施例的情感学习的预训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图3所示，该电子设备包括：一个或多个处理器301、存储器302，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图3中以一个处理器301为例。

存储器302即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的情感学习的预训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的情感学习的预训练方法。

存储器302作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的情感学习的预训练方法对应的程序指令/模块(例如，附图2所示的获取单元201、确定单元202、构造单元203以及训练单元204)。处理器301通过运行存储在存储器302中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的情感学习的预训练方法。

存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据的电子设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至情感学习的预训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

情感学习的预训练方法的电子设备还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。

输入装置303可接收输入的数字或字符信息，以及产生与情感学习的预训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置304可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过获取文本中的情感信息，来构造对应各情感预训练任务的训练样本，再分别使用对应不同情感预训练任务的训练样本对深度学习模型进行预训练，使得深度学习模型在预训练的过程中通过不同任务来充分地学习文本中的情感信息。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种情感学习的预训练方法，包括：

获取待处理文本；

确定各待处理文本对应的情感信息；

利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本，所述情感预训练任务分为词级别的情感预训练任务以及句子级别的情感预训练任务，其中，所述词级别的情感预训练任务包含情感词的学习任务、情感词持有者的学习任务以及情感词对象的学习任务；所述句子级别的情感预训练任务包含情感词-情感词对象对的学习任务以及情感词情感极性的学习任务；

分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练时，使用前一个任务训练好的参数作为下一个任务模型初始化的参数，在完成一个情感预训练任务之后，进行其他情感预训练任务的训练。

2.根据权利要求1所述的方法，其中，所述情感信息包含所述待处理文本中的情感词、情感词持有者、情感词对象以及情感词-情感词对象对。

3.根据权利要求2所述的方法，其中，在利用各待处理文本对应的情感信息，构造对应情感词的学习任务的训练样本时，包括：

将所述待处理文本中的情感词进行遮盖；

将各待处理文本遮盖情感词之后的结果，作为所述对应情感词的学习任务的训练样本。

4.根据权利要求2所述的方法，其中，在利用各待处理文本对应的情感信息，构造对应情感词持有者的学习任务的训练样本时，包括：

将所述待处理文本中的情感词持有者进行遮盖；

将各待处理文本遮盖情感词持有者之后的结果，作为所述对应情感词持有者的学习任务的训练样本。

5.根据权利要求2所述的方法，其中，在利用各待处理文本对应的情感信息，构造对应情感词对象的学习任务的训练样本时，包括：

将所述待处理文本中的情感词对象进行遮盖；

将各待处理文本遮盖情感词对象之后的结果，作为所述对应情感词对象的学习任务的训练样本。

6.根据权利要求2所述的方法，其中，在利用各待处理文本对应的情感信息，构造对应情感词-情感词对象对的学习任务的训练样本时，包括：

将各待处理文本对应的情感词-情感词对象对作为正样本；

替换各情感词-情感词对象对中的情感词和/或情感词对象，将替换结果作为负样本；

将所得到的正样本以及负样本，作为所述对应情感词-情感词对象对的学习任务的训练样本。

7.根据权利要求2所述的方法，其中，在利用各待处理文本对应的情感信息，构造对应情感词情感极性的学习任务的训练样本时，包括：

确定各待处理文本对应的情感词的情感极性；

将各情感词及其对应的情感极性，作为所述对应情感词情感极性的学习任务的训练样本。

8.一种情感学习的预训练装置，包括：

获取单元，用于获取待处理文本；

确定单元，用于确定各待处理文本对应的情感信息；

构造单元，用于利用各待处理文本对应的情感信息，构造对应各情感预训练任务的训练样本，所述情感预训练任务分为词级别的情感预训练任务以及句子级别的情感预训练任务，其中，所述词级别的情感预训练任务包含情感词的学习任务、情感词持有者的学习任务以及情感词对象的学习任务；所述句子级别的情感预训练任务包含情感词-情感词对象对的学习任务以及情感词情感极性的学习任务；

训练单元，用于分别使用对应各情感预训练任务的训练样本，对深度学习模型进行预训练时，使用前一个任务训练好的参数作为下一个任务模型初始化的参数，在完成一个情感预训练任务之后，进行其他情感预训练任务的训练。

9.根据权利要求8所述的装置，其中，所述确定单元确定的情感信息包含所述待处理文本中的情感词、情感词持有者、情感词对象以及情感词-情感词对象对。

10.根据权利要求9所述的装置，其中，所述构造单元在利用各待处理文本对应的情感信息，构造对应情感词的学习任务的训练样本时，具体执行：

将所述待处理文本中的情感词进行遮盖；

将各待处理文本遮盖情感词之后的结果，作为所述对应情感词的学习任务的训练样本。

11.根据权利要求9所述的装置，其中，所述构造单元在利用各待处理文本对应的情感信息，构造对应情感词持有者的学习任务的训练样本时，具体执行：

将所述待处理文本中的情感词持有者进行遮盖；

将各待处理文本遮盖情感词持有者之后的结果，作为所述对应情感词持有者的学习任务的训练样本。

12.根据权利要求9所述的装置，其中，所述构造单元在利用各待处理文本对应的情感信息，构造对应情感词对象的学习任务的训练样本时，具体执行：

将所述待处理文本中的情感词对象进行遮盖；

将各待处理文本遮盖情感词对象之后的结果，作为所述对应情感词对象的学习任务的训练样本。

13.根据权利要求9所述的装置，其中，所述构造单元在利用各待处理文本对应的情感信息，构造对应情感词-情感词对象对的学习任务的训练样本时，具体执行：

将各待处理文本对应的情感词-情感词对象对作为正样本；

替换各情感词-情感词对象对中的情感词和/或情感词对象，将替换结果作为负样本；

将所得到的正样本以及负样本，作为所述对应情感词-情感词对象对的学习任务的训练样本。

14.根据权利要求9所述的装置，其中，所述构造单元在利用各待处理文本对应的情感信息，构造对应情感词情感极性的学习任务的训练样本时，具体执行：

确定各待处理文本对应的情感词的情感极性；

将各情感词及其对应的情感极性，作为所述对应情感词情感极性的学习任务的训练样本。

15.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。