CN115204961A - 隐式评价对象识别方法、装置、设备和计算机存储介质 - Google Patents

隐式评价对象识别方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN115204961A
CN115204961A CN202110381168.1A CN202110381168A CN115204961A CN 115204961 A CN115204961 A CN 115204961A CN 202110381168 A CN202110381168 A CN 202110381168A CN 115204961 A CN115204961 A CN 115204961A
Authority
CN
China
Prior art keywords
implicit
evaluation object
classifier
evaluation information
commodity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110381168.1A
Other languages
English (en)
Inventor
郭林东
金信
高志杰
黄倩
余烨芸
谢泽雄
王茜
储王涛
陈帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN202110381168.1A priority Critical patent/CN115204961A/zh
Publication of CN115204961A publication Critical patent/CN115204961A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种隐式评价对象识别方法、装置、设备和计算机存储介质；该方法，包括：接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息；本申请中通过隐式评价对象分类器对隐式评价对象的商品评价信息进行分类识别，实现了隐式评价对象对应商品评价信息的有效识别，保证了商品评价信息分类识别的全面性和准确率。

Description

隐式评价对象识别方法、装置、设备和计算机存储介质
技术领域
本申请涉及大数据分析技术领域，具体涉及一种隐式评价对象识别方法、装置、设备和计算机存储介质。
背景技术
随着互联网电商的发展，网上购物成为了人们生活的常态，网上购物后已购用户会对购买的商品进行评价，以方便后期购买者根据商品评价信息选择最适合自己的商品。
对商品评价信息进行剖析和研究，有着重要的应用价值和经济价值，例如，客户可以根据商品评价信息挑选适合自己的商品；另一方面，商品的制造商可以根据商品评价信息，了解自身商品的缺陷，以对商品进行更新或改良；然而，通常一个商品的商品评价信息有成千上万条，用户难以对所有商品评价信息都浏览一遍，电商平台会对数以千计的商品评价信息进行归纳总结，全面地呈现给用户，对商品评价信息进行归纳总结包含以下三个方面：评价人识别、评价对象识别和情感判别，其中，在商品评价信息总结时一般不会关注评价人，所以评价人识别的步骤通常会被省略；评价对象可以分为显式评价对象和隐式评价对象，在现有的评价对象识别技术中，通常对显式评价对象进行识别，而忽略隐式评价对象；评价对象识别之后，通常要对该评价对象进行情感判别，即判断评价人对该评价对象是正向、负向或者中立。
由于当前商品评价信息分析主要是针对显式评价对象，忽略隐式评价对象，这样会丢失大量的商品评价信息，使得商品评价结果不准确。
发明内容
本申请提供一种隐式评价对象识别方法、装置、设备和计算机存储介质，旨在解决当前不可以对隐式评价对象的商品评价数据进行分析总结，导致商品评价信息分析不全面，商品评价结果识别准确率低的技术问题。
一方面，本申请提供一种隐式评价对象识别方法，所述隐式评价对象识别方法包括以下步骤：
接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
在本申请一些实施方案中，所述若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器之前，所述方法包括：
接收模型训练请求，获取海量的商品评价信息，处理海量的所述商品评价信息，获得初始样本集；
根据所述初始样本集和预设字典，构建特征样本集；
从所述特征样本集中迭代抽取预设比例的特征样本，通过所述特征样本训练预设第一分类器，获得特征分类器；
获取所述特征分类器分类识别获得的特征中间变量，通过所述特征中间变量训练预设第二分类器，获得隐式评价对象分类器。
在本申请一些实施方案中，所述接收模型训练请求，获取海量的商品评价信息，处理海量的所述商品评价信息，获得初始样本集，包括：
接收模型训练请求，获取海量的商品评价信息，将各所述商品评价信息添加情感标签；
将具有情感标签的商品评价信息进行划分，形成隐式评价对象的第一样本集和显式评价对象的第二样本集；
从所述第一样本集和所述第二样本集中分别抽取具有各类情感标签的商品评价信息，组成初始样本集。
在本申请一些实施方案中，所述特征样本集为：Dl＝{((MASK(x,v),IN(x,v))|x∈Du}
所述Di表示特征样本集，所述v表示所述预设字典中的关键词，所述MASK表示向量x中包含v的元素设置为0，所述IN表示判断向量x中是否包含v，若包含v则向量x设置为+1，若不包含v则向量x设置为-1，所述Du表示初始样本集。
在本申请一些实施方案中，所述预设第一分类器为：
Figure BDA0003013030440000031
所述wi表示特征中间变量，所述L表示损失函数，所述w表示因变量，所述wT表示为所述w的转置，所述λ表示预设常数。
在本申请一些实施方案中，所述获取所述特征分类器分类识别获得的特征中间变量，通过所述特征中间变量训练预设第二分类器，获得隐式评价对象分类器，包括：
通过所述特征分类器处理所述特征样本，获得特征参数；
将所述特征参数拼接组成矩阵，对所述矩阵进行奇异值分解，获得特征中间变量；
通过所述特征中间变量训练预设第二分类器，获得训练分类器；
获取所述训练分类器的分类识别准确率，将所述分类识别准确率高于预设准确率的训练分类器作为预设的隐式评价对象分类器。
在本申请一些实施方案中，所述接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息之后，所述方法包括：
将所述商品评价信息进行聚类分析，确定所述商品评价信息的类型；
若所述商品评价信息为显式评价对象的第二商品评价信息，则将所述第二商品评价信息输入至预设的显式评价对象分类器；
通过所述显式评价对象分类器处理所述第二商品评价信息，获得所述显式评价对象的情感信息。
另一方面，本申请提供一种隐式评价对象识别装置，所述隐式评价对象识别装置包括：
信息获取模块，用于接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
信息输入模块，用于若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
处理输出模块，用于通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
另一方面，本申请还提供一种隐式评价对象识别设备，所述隐式评价对象识别设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的隐式评价对象识别方法。
另一方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的隐式评价对象识别方法中的步骤。
本申请的技术方案中：接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息；本申请实施例中预设隐式评价对象分类器，隐式评价对象分类器可以将商品评价信息进行处理，获得特征中间变量，通过特征中间变量对接隐式评价对象和显式评价对象，获得隐式评价对象对应商品评价信息的评价对象和情感信息，本申请技术方案实现了隐式评价对象对应商品评价信息的有效识别，保证了商品评价信息分类识别的全面性和准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的隐式评价对象识别方法的场景示意图；
图2是本申请实施例中隐式评价对象识别方法中构建隐式评价对象分类器的一个实施例流程示意图；
图3是本申请实施例中隐式评价对象识别方法中构建隐式评价对象分类器时特征中间变量处理的一个实施例场景示意图；
图4是本申请实施例中提供的隐式评价对象识别方法的一个实施例流程示意图；
图5是本申请实施例中提供的隐式评价对象识别方法的另一个实施例流程示意图；
图6是本申请实施例中提供的隐式评价对象识别装置的一个实施例结构示意图；
图7是本申请实施例中提供的隐式评价对象识别设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明包含的范围。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种隐式评价对象识别方法、装置、设备及计算机存储介质，以下分别进行详细说明。
本发明实施例中的隐式评价对象识别方法应用于隐式评价对象识别装置，隐式评价对象识别装置设置于隐式评价对象识别设备，隐式评价对象识别设备中设置有一个或多个处理器、存储器，以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现隐式评价对象识别方法；隐式评价对象识别设备可以是终端，例如，手机或平板电脑，隐式评价对象识别设备还可以是一台服务器，或者多台服务器组成的服务集群。
如图1所示，图1为本申请实施例隐式评价对象识别方法的场景示意图，本发明实施例中隐式评价对象识别场景中包括隐式评价对象识别设备100(隐式评价对象识别设备100中集成有隐式评价对象识别装置)，隐式评价对象识别设备100中运行隐式评价对象识别对应的计算机存储介质，以执行隐式评价对象识别的步骤。
可以理解的是，图1所示隐式评价对象识别方法的场景中的隐式评价对象识别设备，或者隐式评价对象识别设备中包含的装置并不构成对本发明实施例的限制，即，隐式评价对象识别方法的场景中包含的设备数量、设备种类，或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现，均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中隐式评价对象识别设备100主要用于接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
本发明实施例中该隐式评价对象识别设备100可以是独立的隐式评价对象识别设备，也可以是隐式评价对象识别设备组成的隐式评价对象识别设备网络或隐式评价对象识别设备集群，例如，本发明实施例中所描述的隐式评价对象识别设备100，其包括但不限于计算机、网络主机、单个网络隐式评价对象识别设备、多个网络隐式评价对象识别设备集或多个隐式评价对象识别设备构成的云隐式评价对象识别设备。其中，云隐式评价对象识别设备由基于云计算(CloudComputing)的大量计算机或网络隐式评价对象识别设备构成。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的隐式评价对象识别设备，或者隐式评价对象识别设备网络连接关系，例如图1中仅示出1个隐式评价对象识别设备，可以理解的，该隐式评价对象识别方法的场景还可以包括一个或多个其他隐式评价对象识别设备，具体此处不作限定；该隐式评价对象识别设备100中还可以包括存储器，用于存储数据。
此外，本申请隐式评价对象识别方法的场景中隐式评价对象识别设备100可以设置显示装置，或者隐式评价对象识别设备100中不设置显示装置与外接的显示装置200通讯连接，显示装置200用于输出隐式评价对象识别设备中隐式评价对象识别方法执行的结果。隐式评价对象识别设备100可以访问后台数据库300(后台数据库可以是隐式评价对象识别设备的本地存储器中，后台数据库还可以设置在云端)，后台数据库300中保存有隐式评价对象识别相关的信息，例如，后台数据库300中保存有商品评价信息。
需要说明的是，图1所示的隐式评价对象识别方法的场景示意图仅仅是一个示例，本发明实施例描述的隐式评价对象识别方法的场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定。
基于上述隐式评价对象识别方法的场景，提出了隐式评价对象识别方法的实施例，本实施例中隐式评价对象识别方法，包括：
接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
本实施例中的隐式评价对象识别方法应用在隐式评价对象识别设备，隐式评价对象识别设备的种类不作具体限定，例如，隐式评价对象识别设备可以是终端或者服务器。
如图2所示，图2为本申请实施例中隐式评价对象识别方法中隐式评价对象分类器构建的一个实施例流程示意图。
本实施例中隐式评价对象识别方法的步骤执行之前，隐式评价对象识别设备中预设隐式评价对象分类器，隐式评价对象分类器是指预先设置的对隐式评价对象的商品评价信息的分类识别算法；本实施例隐式评价对象识别方法中隐式评价对象分类器构建包括如下步骤201～204：
201，接收模型训练请求，获取海量的商品评价信息，处理海量的所述商品评价信息，获得初始样本集。
隐式评价对象识别设备接收模型训练请求，其中，模型训练请求的触发方式不作具体限定，即，模型训练请求可以是用户手动触发的，例如，用户在隐式评价对象识别设备的显示界面上：“训练”的按键，触发模型训练请求；或者所述模型训练请求还可以是隐式评价对象识别设备自动触发的，例如，隐式评价对象识别设备中预设每周更新模型，隐式评价对象识别设备在检测到达预设时间点时，自动触发模型训练请求。
隐式评价对象识别设备接收模型训练请求，隐式评价对象识别设备获取海量的商品评价信息，隐式评价对象识别设备将海量的商品评价信息添加感情类别标签，并从各类型情感标签的商品评价信息中抽取商品评价信息，组成初始样本集。具体地，步骤201包括：
(1)、接收模型训练请求，获取海量的商品评价信息，将各所述商品评价信息添加情感标签；
(2)、将具有情感标签的商品评价信息进行划分，形成隐式评价对象的第一样本集和显式评价对象的第二样本集；
(3)、从所述第一样本集和所述第二样本集中分别抽取具有各类情感标签的商品评价信息，组成初始样本集。
即，隐式评价对象识别设备接收模型训练请求，隐式评价对象识别设备获取海量的商品评价信息，将各所述商品评价信息添加情感标签；其中，本实施例中隐式评价对象识别设备对商品评价信息添加情感标签的方式不作限定，具体地，实现方式一：隐式评价对象识别设备中设置情感标签集，情感标签集中包含不同类型的情感标签，各个情感标签中包含相同情感的词汇，隐式评价对象识别设备对商品评价信息进行分词处理，获得评价关键词，隐式评价对象识别设备将评价关键词与情感标签集中各情感标签中的情感词汇进行比对，确定是否匹配，以将商品评价信息添加情感标签；实现方式二：对商品评价信息分为不同类别，并将不同类别的商品评价信息添加对应的情感标签。
隐式评价对象识别设备将具有情感标签的商品评价信息进行划分，即，隐式评价对象识别设备判断商品评价信息中是否限定评价对象，隐式评价对象识别设备将没有限定评价对象的商品评价信息汇总形成隐式评价对象的第一样本集，隐式评价对象识别设备将限定评价对象的商品评价信息汇总显式评价对象的第二样本集。
隐式评价对象识别设备从第一样本集和第二样本集中分别抽取具有各类情感标签的商品评价信息，组成初始样本集，本实施例中通过对海量的商品评价信息添加情感标签，并按照商品评价信息中是否限定评价对象分为第一样本集和第二样本集，隐式评价对象识别设备分别从第一样本集和第二样本集中抽取各类情感标签对应的商品评价信息，组成初始样本集，可以有效保障训练样本的多样性和全面性，以实现准确地模型构建。
202，根据所述初始样本集和预设字典，构建特征样本集。
隐式评价对象识别设备将初始样本集中的商品评价信息和预设字典中的各个关键词进行比对，获得词向量，并将词向量汇总获得特征样本集。其中，预设字典是指预先设置关键词集合，预设字典可以是对评价信息分词处理获得，预设字典可以是词向量集合。
本实施例中隐式评价对象识别设备根据预设字段对初始样本集进行特征提取，获得特征样本集，以通过特征样本集训练分类器，具体地：
203，从所述特征样本集中迭代抽取预设比例的特征样本，通过所述特征样本训练预设第一分类器，获得特征分类器。
隐式评价对象识别设备从特征样本集中迭代抽取预设比例的特征样本，其中，预设比例可以根据具体场景设置，例如，预设比例设置为0.1％，特征样本集为：Dl＝{((MASK(x,v),IN(x,v))|x∈Du}；所述Di表示特征样本集，所述v表示所述预设字典中的关键词，所述MASK表示向量x中包含v的元素设置为0，所述IN表示判断向量x中是否包含v，若包含v则向量x设置为+1，若不包含v则向量x设置为-1，所述Du表示初始样本集，如图3所示，图3是本申请实施例中隐式评价对象识别方法中构建隐式评价对象分类器时特征中间变量处理的一个实施例场景示意图。
隐式评价对象识别设备通过特征样本训练预设第一分类器，获得特征分类器。其中，预设第一分类器为：
Figure BDA0003013030440000101
所述wi表示特征中间变量，所述L表示损失函数，所述w表示因变量，所述wT表示为所述w的转置，所述λ表示预设常数。
本实施例中预设第一分类器，预设第一分类器为初始的特征提取模型，隐式评价对象通过特征训练样本对预设第一分类器进行训练，获得特征分类器，通过特征分类器可以提取特征中间变量，以通过特征中间变量对预设第二分类器进行训练的构建隐式评价对象分类器，具体地：
204，获取所述特征分类器分类识别获得的特征中间变量，通过所述特征中间变量训练预设第二分类器，获得隐式评价对象分类器。
隐式评价对象识别设备获取特征分类器分类识别获得的特征中间变量，隐式评价对象识别设备通过特征中间变量训练预设第二分类器，获得隐式评价对象分类器，具体地，步骤204包括：
(1)、通过所述特征分类器处理所述特征样本，获得特征参数；
(2)、将所述特征参数拼接组成矩阵，对所述矩阵进行奇异值分解，获得特征中间变量；
(3)、通过所述特征中间变量训练预设第二分类器，获得训练分类器；
(4)、获取所述训练分类器的分类识别准确率，将所述分类识别准确率高于预设准确率的训练分类器作为预设的隐式评价对象分类器。
即，本实施例中隐式评价对象识别设备通过特征分类器处理特征样本，获得特征参数；隐式评价对象识别设备将特征参数拼接组成矩阵，对矩阵进行奇异值分解，获得特征中间变量；具体地，隐式评价对象识别设备获取特征分类器处理获得的特征参数w，并将特征参数w拼接组成矩阵W，然后对矩阵W进行奇异值分解得到特征中间变量
Figure BDA0003013030440000111
其中，特征中间变量为对W进行奇异值分解，即UΣVT＝SVD(W)，θ即从U中得到。
隐式评价对象识别设备通过特征中间变量上训练预设第二分类器，得到隐式评价对象分类器，其中，预设第二分类器是指预设设置的隐式评价对象分类算法，预设第二分类器的算法不作限定。
具体地，隐式评价对象识别设备对预设第二分类器进行训练，获得训练分类器，隐式评价对象识别设备获取训练分类器的分类识别准确率，隐式评价对象识别设备将分类识别准确率与预设准确率进行比对，其中预设准确率根据具体场景设置，例如分类识别准确率设置为98％，若分类识别准确率不高于预设准确率，隐式评价对象识别设备判定训练分类器不收敛，隐式评价对象识别设备进行迭代训练分类器；或，若分类识别准确率高于预设准确率，隐式评价对象识别设备判定训练分类器收敛，隐式评价对象识别设备将分类识别准确率高于预设准确率的训练分类器作为预设的隐式评价对象分类器。
本实施例中利用已经标注好的显式评价对象训练集，通过评价对象和词之间的互信息，选取特征中间变量，通过特征中间变量和已标注的显式评价对象对应的第一训练集和未标注隐式评价对象的第二训练集，特征分类器和隐式评价对象分类器，以通过隐式评价对象分类器有效识别隐式评价对象。本实施例中有效地构建了隐式评价对象分类器，通过隐式评价对象分类器对商品评价信息进行分析，以实现数据的全面评价。
如图4所示，图4为本申请实施例中隐式评价对象识别方法的一个实施例流程示意图，该隐式评价对象识别方法包括如下步骤301～303：
301、接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息。
隐式评价对象识别设备接收评价信息识别请求，其中，评价信息识别请求的触发方式不作限定，即，评价信息识别请求可以是用户主动触发的，例如，用户语音为：对2021年3月的xxx商品的商品评价信息进行分类识别，隐式评价对象识别设备接收评价信息识别请求，此外，评价信息识别请求还可以是隐式评价对象识别设备自动触发的，例如，隐式评价对象识别设备预先设置每天凌晨自动触发评价信息识别请求，则隐式评价对象识别设备在每天凌晨的时候自动触发评价信息识别请求。
隐式评价对象识别设备接收到评价信息识别请求之后，隐式评价对象识别设备获取评价信息识别请求关联的商品评价信息，其中，商品评价信息的类别和内容不作限定，例如，商品评价信息可以是xx的外观很好看性价比很高，推荐大家购买。
302、若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果。
隐式评价对象识别设备对商品评价信息进行识别，确定商品评价信息是否限定评价对象，隐式评价对象识别设备将没有限定评价对象的商品评价信息作为第一商品评价信息，隐式评价对象识别设备将限定评价对象的第二商品评价信息，例如，第一商品评价信息为:尺码很合适；第二商品评价信息为：这个杯子和漂亮材质很好。
隐式评价对象识别设备确定商品评价信息为隐式评价对象的第一商品评价信息，隐式评价对象识别设备则将第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果。
303、通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
隐式评价对象识别设备通过隐式评价对象分类器处理第一商品评价信息，获得评价对象和情感信息，即，隐式评价对象识别设备通过特征分类模型处理第一商品评价信息，获得特征中间变量，隐式评价对象识别设备将特征中间变量输入至隐式评价对象分类器，获得第一商品评价信息对应的评价对象和感情信息。
本申请实施例中接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息；本申请实施例中预设隐式评价对象分类器，隐式评价对象分类器可以将商品评价信息进行处理，获得特征中间变量，通过特征中间变量对接隐式评价对象和显式评价对象，获得隐式评价对象对应商品评价信息的评价对象和情感信息，本申请技术方案实现了隐式评价对象对应商品评价信息的有效识别，保证了商品评价信息分类识别的全面性和准确率。
如图5所示，图5是本申请实施例中提供的隐式评价对象识别方法的另一个实施例流程示意图。
在本申请一些实施例中，具体说明了图像分割模型的构建步骤，包括如下步骤401～403：
401、将所述商品评价信息进行聚类分析，确定所述商品评价信息的类型。
隐式评价对象识别设备将商品评价信息进行聚类分析，确定商品评价信息的类型，本实施例中隐式评价对象识别设备对商品评价信息进行类型确认，可以根据商品评价信息的类型，确定商品评价信息的处理方式，具体地：
402、若所述商品评价信息为显式评价对象的第二商品评价信息，则将所述第二商品评价信息输入至预设的显式评价对象分类器。
若商品评价信息为显式评价对象的第二商品评价信息，隐式评价对象识别设备则将第二商品评价信息输入至预设的显式评价对象分类器，其中，显式评价对象分类器是预先训练的分类模型。
403、通过所述显式评价对象分类器处理所述第二商品评价信息，获得所述显式评价对象的情感信息。
隐式评价对象识别设备通过显式评价对象分类器处理第二商品评价信息，获得显式评价对象的情感信息；本实施例中可以对显式评价对象的商品评价信息进行分析，保证了商品评价信息处理的全面性。
为了更好实施本申请实施例中隐式评价对象识别方法，在隐式评价对象识别方法基础之上，本申请实施例中还提供一种隐式评价对象识别装置，如图6所示，图6是隐式评价对象识别装置的一个实施例结构示意图，所述隐式评价对象识别装置包括以下模块501～503：
信息获取模块501，用于接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
信息输入模块502，用于若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
处理输出模块503，用于通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
在本申请一些实施例中，所述的隐式评价对象识别装置，包括：
接收模型训练请求，获取海量的商品评价信息，处理海量的所述商品评价信息，获得初始样本集；
根据所述初始样本集和预设字典，构建特征样本集；
从所述特征样本集中迭代抽取预设比例的特征样本，通过所述特征样本训练预设第一分类器，获得特征分类器；
获取所述特征分类器分类识别获得的特征中间变量，通过所述特征中间变量训练预设第二分类器，获得隐式评价对象分类器。
在本申请一些实施例中，所述的隐式评价对象识别装置，执行所述接收模型训练请求，获取海量的商品评价信息，处理海量的所述商品评价信息，获得初始样本集，包括：
接收模型训练请求，获取海量的商品评价信息，将各所述商品评价信息添加情感标签；
将具有情感标签的商品评价信息进行划分，形成隐式评价对象的第一样本集和显式评价对象的第二样本集；
从所述第一样本集和所述第二样本集中分别抽取具有各类情感标签的商品评价信息，组成初始样本集。
在本申请一些实施例中，所述的隐式评价对象识别装置中的特征样本集为：Dl＝{((MASK(x,v),IN(x,v))|x∈Du}
所述Di表示特征样本集，所述v表示所述预设字典中的关键词，所述MASK表示向量x中包含v的元素设置为0，所述IN表示判断向量x中是否包含v，若包含v则向量x设置为+1，若不包含v则向量x设置为-1，所述Du表示初始样本集。
在本申请一些实施例中，所述隐式评价对象识别装置中所述预设第一分类器为：
Figure BDA0003013030440000151
所述wi表示特征中间变量，所述L表示损失函数，所述w表示因变量，所述wT表示为所述w的转置，所述λ表示预设常数。
在本申请一些实施例中，所述隐式评价对象识别装置执行所述获取所述特征分类器分类识别获得的特征中间变量，通过所述特征中间变量训练预设第二分类器，获得隐式评价对象分类器，包括：
通过所述特征分类器处理所述特征样本，获得特征参数；
将所述特征参数拼接组成矩阵，对所述矩阵进行奇异值分解，获得特征中间变量；
通过所述特征中间变量训练预设第二分类器，获得训练分类器；
获取所述训练分类器的分类识别准确率，将所述分类识别准确率高于预设准确率的训练分类器作为预设的隐式评价对象分类器。
在本申请一些实施例中，所述的隐式评价对象识别装置，还包括：
将所述商品评价信息进行聚类分析，确定所述商品评价信息的类型；
若所述商品评价信息为显式评价对象的第二商品评价信息，则将所述第二商品评价信息输入至预设的显式评价对象分类器；
通过所述显式评价对象分类器处理所述第二商品评价信息，获得所述显式评价对象的情感信息。
本实施例中隐式评价对象识别装置：接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息，本申请的技术方案中预设隐式评价对象分类器，隐式评价对象分类器可以将商品评价信息进行处理，获得特征中间变量，通过特征中间变量对接隐式评价对象和显式评价对象，获得隐式评价对象对应商品评价信息的评价对象和情感信息，本申请技术方案实现了隐式评价对象对应商品评价信息的有效识别，保证了商品评价信息分类识别的全面性和准确率。
本发明实施例还提供一种隐式评价对象识别设备，如图7所示，图7是本申请实施例中提供的隐式评价对象识别设备的一个实施例结构示意图。
隐式评价对象识别设备集成了本发明实施例所提供的任一种隐式评价对象识别装置，所述隐式评价对象识别设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述隐式评价对象识别方法实施例中任一实施例中所述的隐式评价对象识别方法中的步骤。
具体来讲：隐式评价对象识别设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解，图7中示出的隐式评价对象识别设备结构并不构成对隐式评价对象识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器601是该隐式评价对象识别设备的控制中心，利用各种接口和线路连接整个隐式评价对象识别设备的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行隐式评价对象识别设备的各种功能和处理数据，从而对隐式评价对象识别设备进行整体监控。可选的，处理器601可包括一个或多个处理核心；优选的，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及模块，处理器601通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器602可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据隐式评价对象识别设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器602还可以包括存储器控制器，以提供处理器601对存储器602的访问。
隐式评价对象识别设备还包括给各个部件供电的电源603，优选的，电源603可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该隐式评价对象识别设备还可包括输入单元604，该输入单元604可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，隐式评价对象识别设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，隐式评价对象识别设备中的处理器601会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中，并由处理器601来运行存储在存储器602中的应用程序，从而实现各种功能，如下：
接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机存储介质，该计算机存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种隐式评价对象识别方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种隐式评价对象识别方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种隐式评价对象识别方法，其特征在于，所述方法包括：
接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
2.根据权利要求1所述的隐式评价对象识别方法，其特征在于，所述若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器之前，所述方法包括：
接收模型训练请求，获取海量的商品评价信息，处理海量的所述商品评价信息，获得初始样本集；
根据所述初始样本集和预设字典，构建特征样本集；
从所述特征样本集中迭代抽取预设比例的特征样本，通过所述特征样本训练预设第一分类器，获得特征分类器；
获取所述特征分类器分类识别获得的特征中间变量，通过所述特征中间变量训练预设第二分类器，获得隐式评价对象分类器。
3.根据权利要求2所述的隐式评价对象识别方法，其特征在于，所述接收模型训练请求，获取海量的商品评价信息，处理海量的所述商品评价信息，获得初始样本集，包括：
接收模型训练请求，获取海量的商品评价信息，将各所述商品评价信息添加情感标签；
将具有情感标签的商品评价信息进行划分，形成隐式评价对象的第一样本集和显式评价对象的第二样本集；
从所述第一样本集和所述第二样本集中分别抽取具有各类情感标签的商品评价信息，组成初始样本集。
4.根据权利要求2所述的隐式评价对象识别方法，其特征在于，所述特征样本集为：Dl＝{((MASK(x,v),IN(x,v))|x∈Du}
所述Di表示特征样本集，所述v表示所述预设字典中的关键词，所述MASK表示向量x中包含v的元素设置为0，所述IN表示判断向量x中是否包含v，若包含v则向量x设置为+1，若不包含v则向量x设置为-1，所述Du表示初始样本集。
5.根据权利要求2所述的隐式评价对象识别方法，其特征在于，所述预设第一分类器为：
Figure FDA0003013030430000021
所述wi表示特征中间变量，所述L表示损失函数，所述w表示因变量，所述wT表示为所述w的转置，所述λ表示预设常数。
6.根据权利要求2所述的隐式评价对象识别方法，其特征在于，所述获取所述特征分类器分类识别获得的特征中间变量，通过所述特征中间变量训练预设第二分类器，获得隐式评价对象分类器，包括：
通过所述特征分类器处理所述特征样本，获得特征参数；
将所述特征参数拼接组成矩阵，对所述矩阵进行奇异值分解，获得特征中间变量；
通过所述特征中间变量训练预设第二分类器，获得训练分类器；
获取所述训练分类器的分类识别准确率，将所述分类识别准确率高于预设准确率的训练分类器作为预设的隐式评价对象分类器。
7.根据权利要求1至6任意一项所述的隐式评价对象识别方法，其特征在于，所述接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息之后，所述方法包括：
将所述商品评价信息进行聚类分析，确定所述商品评价信息的类型；
若所述商品评价信息为显式评价对象的第二商品评价信息，则将所述第二商品评价信息输入至预设的显式评价对象分类器；
通过所述显式评价对象分类器处理所述第二商品评价信息，获得所述显式评价对象的情感信息。
8.一种隐式评价对象识别装置，其特征在于，所述隐式评价对象识别装置包括：
信息获取模块，用于接收评价信息识别请求，获取所述评价信息识别请求关联的商品评价信息；
信息输入模块，用于若所述商品评价信息为隐式评价对象的第一商品评价信息，则将所述第一商品评价信息输入至预设的隐式评价对象分类器；其中，所述预设的隐式评价对象分类器通过特征中间变量训练获得，所述特征中间变量为特征分类器的分类识别结果；
处理输出模块，用于通过所述隐式评价对象分类器处理所述第一商品评价信息，获得评价对象和情感信息。
9.一种隐式评价对象识别设备，其特征在于，所述隐式评价对象识别设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的隐式评价对象识别方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的隐式评价对象识别方法中的步骤。
CN202110381168.1A 2021-04-09 2021-04-09 隐式评价对象识别方法、装置、设备和计算机存储介质 Pending CN115204961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110381168.1A CN115204961A (zh) 2021-04-09 2021-04-09 隐式评价对象识别方法、装置、设备和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110381168.1A CN115204961A (zh) 2021-04-09 2021-04-09 隐式评价对象识别方法、装置、设备和计算机存储介质

Publications (1)

Publication Number Publication Date
CN115204961A true CN115204961A (zh) 2022-10-18

Family

ID=83570883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110381168.1A Pending CN115204961A (zh) 2021-04-09 2021-04-09 隐式评价对象识别方法、装置、设备和计算机存储介质

Country Status (1)

Country Link
CN (1) CN115204961A (zh)

Similar Documents

Publication Publication Date Title
CN109101537B (zh) 基于深度学习的多轮对话数据分类方法、装置和电子设备
CN104951428B (zh) 用户意图识别方法及装置
CN110909165B (zh) 数据处理方法、装置、介质及电子设备
CN110168535B (zh) 一种信息处理方法及终端、计算机存储介质
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
US11741094B2 (en) Method and system for identifying core product terms
US11663280B2 (en) Search engine using joint learning for multi-label classification
CN111783039B (zh) 风险确定方法、装置、计算机系统和存储介质
CN111274822A (zh) 语义匹配方法、装置、设备及存储介质
Malik et al. EPR-ML: E-Commerce Product Recommendation Using NLP and Machine Learning Algorithm
CN110909768B (zh) 一种标注数据获取方法及装置
CN113989476A (zh) 对象识别方法及电子设备
CN110874534A (zh) 数据处理方法和数据处理装置
US20220366138A1 (en) Rule-based machine learning classifier creation and tracking platform for feedback text analysis
CN111988668B (zh) 一种视频推荐方法、装置、计算机设备及存储介质
CN111291564B (zh) 一种用于词向量获取的模型训练方法、装置和存储介质
CN115017385A (zh) 一种物品搜索方法、装置、设备和存储介质
CN115204961A (zh) 隐式评价对象识别方法、装置、设备和计算机存储介质
CN116030375A (zh) 视频特征提取、模型训练方法、装置、设备及存储介质
CN113743973A (zh) 分析市场热点趋势的方法和装置
CN111783808A (zh) 用于生成信息的方法和装置
CN113127597A (zh) 搜索信息的处理方法、装置及电子设备
CN113793191B (zh) 商品的匹配方法、装置及电子设备
CN113032540B (zh) 人机交互方法、装置、设备和存储介质
CN113312555B (zh) 转化率预测方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination