CN117853175A - 用户评价信息的预测方法、装置及电子设备 - Google Patents

用户评价信息的预测方法、装置及电子设备 Download PDF

Info

Publication number
CN117853175A
CN117853175A CN202410052618.6A CN202410052618A CN117853175A CN 117853175 A CN117853175 A CN 117853175A CN 202410052618 A CN202410052618 A CN 202410052618A CN 117853175 A CN117853175 A CN 117853175A
Authority
CN
China
Prior art keywords
feature matrix
target
matrix
evaluation information
information
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
CN202410052618.6A
Other languages
English (en)
Inventor
胡莹
李戎
高雨杉
李东霖
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202410052618.6A priority Critical patent/CN117853175A/zh
Publication of CN117853175A publication Critical patent/CN117853175A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种用户评价信息的预测方法、装置及电子设备，该方法应用于人工智能领域、金融科技领域或者其他技术领域，该方法包括：从至少一种预设渠道采集目标用户对金融产品的历史评价信息；提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵；将目标特征矩阵输入目标分类模型中进行计算，得到输出结果；依据输出结果构建评价信息序列；依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果。通过本申请，解决了相关技术中预测用户对金融产品的评价信息时，仅对单一模态的数据进行分析预测，导致预测结果不准确的问题。

Description

用户评价信息的预测方法、装置及电子设备
技术领域
本申请涉及人工智能领域、金融科技领域或者其他技术领域，具体而言，涉及一种用户评价信息的预测方法、装置及电子设备。
背景技术
随着金融行业的迅速演变和数字化革命的兴起，金融产品的声誉和用户满意度变得前所未有地关键。在这个数字时代，互联网和社交媒体的广泛应用使用户能够更便捷地表达对银行产品和服务的情感、体验和意见。用户评论、社交媒体帖子、博客文章以及在线论坛上的讨论等大量数据成为了珍贵的信息资源，反映了用户的需求、期望和感受。在这种情境下，金融行业迫切需要一种高效的方法来监测、分析和深入理解这些用户的评价信息，以更好地满足用户的需求、精细化产品和服务，以及不断提升品牌声誉。
自然语言处理技术和数据挖掘技术在这个情境下崭露头角，成为了金融行业的得力助手。自然语言处理技术具备解析和理解大规模文本数据的能力，使金融机构能够实时跟踪和分析用户的情感和情绪波动，以捕捉用户对产品、服务、用户体验以及整体业务表现的感受。现有技术中对用户的评价信息进行分析计算时，往往仅采集单一类型的文本数据进行分析，评价信息的来源渠道较为单一，导致预测结果较为片面和不准确。再或者采用多种渠道采集到的用户评价信息进行分析时，没有考虑到时序信息，导致针对用户的分析结果的准群性较低，同时也无法预测用户未来对金融产品的评价信息。
针对相关技术中预测用户对金融产品的评价信息时，仅对单一模态的数据进行分析预测，导致预测结果不准确的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种用户评价信息的预测方法、装置及电子设备，以解决相关技术中预测用户对金融产品的评价信息时，仅对单一模态的数据进行分析预测，导致预测结果不准确的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种用户评价信息的预测方法，该方法包括：从至少一种预设渠道采集目标用户对金融产品的历史评价信息；提取所述历史评价信息中的多模态特征，并将所述多模态特征进行融合，得到目标特征矩阵；将所述目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，所述输出结果包含不同类别评价信息的置信度，所述目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；依据所述输出结果构建评价信息序列，其中，所述评价信息序列包含在不同时刻所述目标用户对所述金融产品的评价信息；依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果。
进一步地，所述历史评价信息至少包括以下信息：文本信息、音频信息、视频信息，提取所述历史评价信息中的多模态特征，并将所述多模态特征进行融合，得到目标特征矩阵包括：对所述文本信息进行文本向量化处理，并提取所述文本信息中的依赖关系和时间序列特征，得到第一特征矩阵；提取所述音频信息的音频特征，并提取所述音频特征的向量表征，得到第二特征矩阵；提取所述视频信息中的关键帧，并从所述关键帧中提取图像特征，得到第三特征矩阵；分别计算所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵的互注意力矩阵，并对得到的所述互注意力矩阵进行矩阵拼接，得到所述目标特征矩阵。
进一步地，对所述文本信息进行文本向量化处理，并提取所述文本信息中的依赖关系和时间序列特征，得到第一特征矩阵包括：采用第一预设模型处理所述文本信息，得到文本特征矩阵，其中，所述第一预设模型至少包括：双向编码器表示转换器；采用第二预设模型提取所述文本特征矩阵中的依赖关系和时间序列特征，得到所述第一特征矩阵，其中，所述第一预设模型至少包括：双向长短期记忆网络。
进一步地，提取所述音频信息的音频特征，并提取所述音频特征的向量表征，得到第二特征矩阵包括：将所述音频信息转换为梅尔频率倒谱系数，得到N维音频特征，其中，N是正整数；采用时间卷积网络对所述N维音频特征进行向量表征，得到所述第二特征矩阵。
进一步地，提取所述视频信息中的关键帧，并从所述关键帧中提取图像特征，得到第三特征矩阵包括：提取所述视频信息中的视频帧，得到视频帧集合；在所述视频帧中确定M个初始聚类中心，并提取所述M个初始聚类中心中每个初始聚类中心的特征信息，其中，M是大于1的正整数；依据所述视频帧集合中每个视频帧分别与每个初始聚类中心的距离，将所述视频帧集合中的视频帧划分为M类视频帧；计算所述M类视频帧中每一类视频帧的目标聚类中心，依据每一类视频帧中视频帧与所述目标聚类中心的距离确定每一类视频帧的关键帧，得到M个关键帧；分别提取所述M个关键帧的图像特征，得到所述第三特征矩阵。
进一步地，分别计算所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵的互注意力矩阵，并对得到的所述互注意力矩阵进行矩阵拼接，得到所述目标特征矩阵包括：构建第四特征矩阵对应的第一匹配矩阵，构建第五特征矩阵对应的第二匹配矩阵，其中，所述第四特征矩阵和所述第五特征矩阵均为所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵中的特征矩阵，且所述第四特征矩阵不同于所述第五特征矩阵；计算所述第一匹配矩阵的概率分布得到第一注意力权重，计算所述第二匹配矩阵的概率分布得到第二注意力权重；将所述第一注意力权重与所述第四特征矩阵相乘，并将乘积与所述第四特征矩阵相乘得到第一互注意力矩阵；将所述第二注意力权重与所述第五特征矩阵相乘，并将乘积与所述第五特征矩阵相乘得到第二互注意力矩阵；将所述第一互注意力矩阵和所述第二互注意力矩阵进行拼接，并计算拼接后的矩阵与第六特征矩阵的互注意力矩阵，得到所述目标特征矩阵，其中，所述第六特征矩阵是指所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵中不同于所述第四特征矩阵，且不同于所述第五特征矩阵的特征矩阵。
进一步地，在依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果之后，所述方法还包括：在接收到所述目标用户针对所述金融产品发起的分析请求的情况下，从所述目标特征矩阵中提取目标关键词，其中，所述目标关键词是指所述目标用户描述所述金融产品的关键词；依据所述目标关键词和所述预测结果生成分析报告，得到目标报告；将所述目标报告发送至目标设备中，其中，所述目标设备向所述目标用户展示所述目标报告。
进一步地，从所述目标特征矩阵中提取目标关键词包括：采用关键词提取模型提取所述目标特征矩阵的初始关键词，得到第一词向量；采用平均算法对所述第一词向量进行处理，得到第二词向量；采用拟合后的支持向量机模型从所述第二词向量中提取特征，得到第三词向量；采用基于密度的聚类算法对所述第三词向量进行聚类，得到所述目标关键词。
为了实现上述目的，根据本申请的另一方面，提供了一种用户评价信息的预测装置，该装置包括：采集单元，用于从至少一种预设渠道采集目标用户对金融产品的历史评价信息；第一提取单元，用于提取所述历史评价信息中的多模态特征，并将所述多模态特征进行融合，得到目标特征矩阵；计算单元，用于将所述目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，所述输出结果包含不同类别评价信息的置信度，所述目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；构建单元，用于依据所述输出结果构建评价信息序列，其中，所述评价信息序列包含在不同时刻所述目标用户对所述金融产品的评价信息；预测单元，用于依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果。
进一步地，所述历史评价信息至少包括以下信息：文本信息、音频信息、视频信息，所述第一提取单元包括：第一提取子单元，用于对所述文本信息进行文本向量化处理，并提取所述文本信息中的依赖关系和时间序列特征，得到第一特征矩阵；第二提取子单元，用于提取所述音频信息的音频特征，并提取所述音频特征的向量表征，得到第二特征矩阵；第三提取子单元，用于提取所述视频信息中的关键帧，并从所述关键帧中提取图像特征，得到第三特征矩阵；计算子单元，用于分别计算所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵的互注意力矩阵，并对得到的所述互注意力矩阵进行矩阵拼接，得到所述目标特征矩阵。
进一步地，所述第一提取子单元包括：第一处理模块，用于采用第一预设模型处理所述文本信息，得到文本特征矩阵，其中，所述第一预设模型至少包括：双向编码器表示转换器；第一提取模块，用于采用第二预设模型提取所述文本特征矩阵中的依赖关系和时间序列特征，得到所述第一特征矩阵，其中，所述第一预设模型至少包括：双向长短期记忆网络。
进一步地，所述第二提取子单元包括：第二处理模块，用于将所述音频信息转换为梅尔频率倒谱系数，得到N维音频特征，其中，N是正整数；表征模块，用于采用时间卷积网络对所述N维音频特征进行向量表征，得到所述第二特征矩阵。
进一步地，所述第三提取子单元包括：第二提取模块，用于提取所述视频信息中的视频帧，得到视频帧集合；确定模块，用于在所述视频帧中确定M个初始聚类中心，并提取所述M个初始聚类中心中每个初始聚类中心的特征信息，其中，M是大于1的正整数；划分模块，用于依据所述视频帧集合中每个视频帧分别与每个初始聚类中心的距离，将所述视频帧集合中的视频帧划分为M类视频帧；第一计算模块，用于计算所述M类视频帧中每一类视频帧的目标聚类中心，依据每一类视频帧中视频帧与所述目标聚类中心的距离确定每一类视频帧的关键帧，得到M个关键帧；第三提取模块，用于分别提取所述M个关键帧的图像特征，得到所述第三特征矩阵。
进一步地，所述计算子单元包括：构建模块，用于构建第四特征矩阵对应的第一匹配矩阵，构建第五特征矩阵对应的第二匹配矩阵，其中，所述第四特征矩阵和所述第五特征矩阵均为所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵中的特征矩阵，且所述第四特征矩阵不同于所述第五特征矩阵；第二计算模块，用于计算所述第一匹配矩阵的概率分布得到第一注意力权重，计算所述第二匹配矩阵的概率分布得到第二注意力权重；第三计算模块，用于将所述第一注意力权重与所述第四特征矩阵相乘，并将乘积与所述第四特征矩阵相乘得到第一互注意力矩阵；第四计算模块，用于将所述第二注意力权重与所述第五特征矩阵相乘，并将乘积与所述第五特征矩阵相乘得到第二互注意力矩阵；拼接模块，用于将所述第一互注意力矩阵和所述第二互注意力矩阵进行拼接，并计算拼接后的矩阵与第六特征矩阵的互注意力矩阵，得到所述目标特征矩阵，其中，所述第六特征矩阵是指所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵中不同于所述第四特征矩阵，且不同于所述第五特征矩阵的特征矩阵。
进一步地，所述装置还包括：第二提取单元，用于在依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果之后，在接收到所述目标用户针对所述金融产品发起的分析请求的情况下，从所述目标特征矩阵中提取目标关键词，其中，所述目标关键词是指所述目标用户描述所述金融产品的关键词；生成单元，用于依据所述目标关键词和所述预测结果生成分析报告，得到目标报告；发送单元，用于将所述目标报告发送至目标设备中，其中，所述目标设备向所述目标用户展示所述目标报告。
进一步地，所述第二提取单元包括：第四提取子单元，用于采用关键词提取模型提取所述目标特征矩阵的初始关键词，得到第一词向量；处理子单元，用于采用平均算法对所述第一词向量进行处理，得到第二词向量；第五提取子单元，用于采用拟合后的支持向量机模型从所述第二词向量中提取特征，得到第三词向量；聚类子单元，用于采用基于密度的聚类算法对所述第三词向量进行聚类，得到所述目标关键词。
为了实现上述目的，根据本申请的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述用户评价信息的预测方法。
为了实现上述目的，根据本申请的一个方面，提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项所述用户评价信息的预测方法。
通过本申请，采用以下步骤：从至少一种预设渠道采集目标用户对金融产品的历史评价信息；提取所述历史评价信息中的多模态特征，并将所述多模态特征进行融合，得到目标特征矩阵；将所述目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，所述输出结果包含不同类别评价信息的置信度，所述目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；依据所述输出结果构建评价信息序列，其中，所述评价信息序列包含在不同时刻所述目标用户对所述金融产品的评价信息；依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果，解决了相关技术中预测用户对金融产品的评价信息时，仅对单一模态的数据进行分析预测，导致预测结果不准确的问题。通过采集并融合多模态的历史评价信息，能够全面地理解和表征数据，提高数据的表征能力和模型的性能，帮助模型实现跨模态的关联和理解，从而更好地解决用户评价这一复杂任务，提高了计算用户对金融产品的评价信息的准确性，同时通过引入时间信息构建评价信息序列，能够基于不同时刻对应的评价信息，实现了预测目标用户在未来时刻的评价信息的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例一提供的用户评价信息的预测方法的流程图；
图2是根据本申请实施例一提供的可选的用户评价信息的预测方法的示意图一；
图3是根据本申请实施例一提供的可选的用户评价信息的预测方法的示意图二；
图4是根据本申请实施例一提供的可选的用户评价信息的预测方法的示意图三；
图5是根据本申请实施例二提供的用户评价信息的预测装置的示意图；
图6是根据本申请实施例五提供的用户评价信息的预测电子设备的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，本申请文件的处理方法、装置、存储介质及电子设备确定的方法和装置可用于金融科技领域在预测用户未来对金融产品的评价信息过程中，提高了预测结果的准确性，也可用于除金融科技领域之外的任意领域，本申请文件的处理方法、装置、存储介质及电子设备的方法和装置的应用领域不做限定。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、采集的用户数据、采集的文本数据、采集的音频数据、采集的视频数据等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据、采集的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关区域的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
为了使本技术领域的人员更好地理解本申请方案，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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例一提供的用户评价信息的预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，从至少一种预设渠道采集目标用户对金融产品的历史评价信息。
在本实施例一中，为了提高预测结果的准确性，需要从多个渠道收集目标用户对金融产品的历史评价信息，以利用更多数据进行预测。具体地，通过代码程序或其它采集软件采集互联网中数据，从各种在线社交媒体、论坛、视频弹幕和其它平台中提取目标用户针对金融产品发布的，或目标用户发布与该金融产品相关的文本信息、音频信息和视频信息，并存储到文件中或其它存储介质中，作为上述的历史评价信息。需要注意的是，目标用户或其它用户发布的信息是在获得目标用户或其它用户的相关授权后进行采集的。
步骤S102，提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵。
在本实施例一中，为了尽可能提取和保留历史评价信息中的特征信息，需要从采集到的多模态的历史评价信息中分别提取各个模态特征，并对每个模态的特征进行融合，得到上述的目标特征矩阵。
步骤S103，将目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，输出结果包含不同类别评价信息的置信度，目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型。
在本实施例一中，可以将融合后的多模态特征Ftav(即上述的目标特征矩阵)输入到全连接层网络中整合每个模态内部以及各个模态之间的交互信息，最后通过softmax函数输出情感分类结果，如公式一所示，
y＝softmax(Wk(tanh(WfFtav+bf))+bk)(一)
其中，Wk和Wf分别表示权重矩阵，bk和bf表示偏置值，tanh表示激活函数，y表示上述的输出结果,Ftav表述上述的目标特征矩阵。采用目标分类模型对融合后的特征矩阵进行计算，输出分类结果，即上述的输出结果。输出结果可分为两类，分别是：正向评价、负向评价，以及各类评价对应的置信度。目标分类模型是采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型，预设分类模型可以是上述全连接层网络和softmax函数组合的模型，也可以是支持向量机(Support Vector Machine，SVM)模型、决策树(Decision Tree)模型、随机森林(Random Forest)模型、朴素贝叶斯(Naive Bayes)模型、神经网络(Neural Network)模型等。
步骤S104，依据输出结果构建评价信息序列，其中，评价信息序列包含在不同时刻目标用户对金融产品的评价信息。
在本实施例一中，为了考虑时间跨度对用户评价信息的影响，可以提取不同时刻下用户评价信息的分类结果，从而预测目标用户在未来时刻的评价趋势。具体地，采用基于看涨指数的计算方法构建一系列评价值，来反映目标用户在时间跨度上评价趋势，整合用户的评价信息，如公式二所示，
其中，表示上述的输出结果中目标用户在t时刻的正向评价对应的特征向量，表示上述的输出结果中目标用户在t时刻的负向评价对应的特征向量，ln表示对数函数，BI表示输出的评价信息序列。
步骤S105，依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果。
在本实施例一中，将构造的评价信息序列作为输入，选用时间序列模型(例如，自回归移动平均模型(Autoregressive Moving Average Model))进行评价信息的预测，自回归移动平均模型所针对的是平稳时间序列数据，其对下一时刻的预测值考虑了之前的观测值与随机误差两个因素，如公式三所示，
其中，yt表示t时刻的预测结果，t时刻即上述的预设时刻，至/>和εt至εt-q表示预设参数，yt-1至yt-p表示上述的评价信息序列中不同时刻对应的评价信息，θ1至θq表示常数。
综上所述，本申请实施例一提供的用户评价信息的预测方法，通过从至少一种预设渠道采集目标用户对金融产品的历史评价信息；提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵；将目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，输出结果包含不同类别评价信息的置信度，目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；依据输出结果构建评价信息序列，其中，评价信息序列包含在不同时刻目标用户对金融产品的评价信息；依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果，解决了相关技术中预测用户对金融产品的评价信息时，仅对单一模态的数据进行分析预测，导致预测结果不准确的问题。通过采集并融合多模态的历史评价信息，能够全面地理解和表征数据，提高数据的表征能力和模型的性能，帮助模型实现跨模态的关联和理解，从而更好地解决用户评价这一复杂任务，提高了计算用户对金融产品的评价信息的准确性，同时通过引入时间信息构建评价信息序列，能够基于不同时刻对应的评价信息，实现了预测目标用户在未来时刻的评价信息的效果。
可选地，在本申请实施例一提供的用户评价信息的预测方法中，上述的历史评价信息至少包括以下信息：文本信息、音频信息、视频信息，上述的提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵包括：对文本信息进行文本向量化处理，并提取文本信息中的依赖关系和时间序列特征，得到第一特征矩阵；提取音频信息的音频特征，并提取音频特征的向量表征，得到第二特征矩阵；提取视频信息中的关键帧，并从关键帧中提取图像特征，得到第三特征矩阵；分别计算第一特征矩阵、第二特征矩阵和第三特征矩阵的互注意力矩阵，并对得到的互注意力矩阵进行矩阵拼接，得到目标特征矩阵。
在本实施例一中，为了提高用户评价信息的准确性，可以采集多个模态的数据进行计算，即上述的文本信息、音频信息、视频信息，分别提取每个模态信息中的特征信息，再进行融合和拼接，得到上述的目标特征矩阵，从而能够从多方面综合考虑用户对金融产品的评价信息，使得后续得到的预测结果更加准确。
具体地，对于文本形式的文本信息，需要先进行文本向量化处理，得到文本向量，接着通过语言处理模型提取文本向量中的上下句或前后语境之间依赖关系和时间序列特征，得到上述的第一特征矩阵。对于采集到的音频信息，可以提取音频信息的音频特征，并使用向量形式表征音频特征，得到上述的第二特征矩阵。对于视频信息，可以将视频中的每一帧转化为图像帧，提取关键帧，从而能够从视频信息中提取图像特征，得到包含代表视频主旨意义的第三特征矩阵。最后，分别计算第一特征矩阵与其它特征矩阵(例如，第二特征矩阵、第三特征矩阵)、第二特征矩阵与其它特征矩阵(例如，第一特征矩阵、第三特征矩阵)和第三特征矩阵与其它特征矩阵(例如，第一特征矩阵、第二特征矩阵)的互注意力矩阵，并将计算得到的互注意力矩阵进行矩阵拼接，得到上述的目标特征矩阵。
可选地，在本申请实施例一提供的用户评价信息的预测方法中，对文本信息进行文本向量化处理，并提取文本信息中的依赖关系和时间序列特征，得到第一特征矩阵包括：采用第一预设模型处理文本信息，得到文本特征矩阵，其中，第一预设模型至少包括：双向编码器表示转换器；采用第二预设模型提取文本特征矩阵中的依赖关系和时间序列特征，得到第一特征矩阵，其中，第一预设模型至少包括：双向长短期记忆网络。
在本实施例一中，为了捕捉文本中更准确的上下文语义信息，并降低一词多义造成的影响，可以采用双向编码器表示转换器BERT(Bidirectional EncoderRepresentations from Transformers)模型(即上述的第一预设模型)对采集到的文本信息进行文本向量化处理，再运用双向长短期记忆网络BiLSTM(Bidirectional Long Short-Term Memory)模型(即上述的第二预设模型)对文本向量进行进一步的处理，以便更全面地学习文本序列数据的隐藏语义状态。
具体地，采用预训练的BERT模型对经过预处理(例如，分词处理、去停用词处理等)的文本信息进行向量化处理，得到/> 即上述的文本特征矩阵，向量化处理过程可以如公式三所示，
Ut′＝BERT(Ut)(三)
其中，Ut表示文本信息的集合，表示第n个文本信息，Ut′表示文本向量的集合，是M×d的矩阵，M为句长，d为词向量维度，/>表示第n个文本向量。
然后，为了确保对文本序列数据的隐藏状态进行全面学习，并更有效地利用双向神经元信息，以捕获序列中的长期依赖关系，可以采用BiLSTM模型对文本向量进行进一步地处理，以提取更具判别力的文本特征。
具体地，通过BiLSTM模型的不同门控机制能够充分学习文本的双向序列表示，计算过程如公式四所示，
其中，T为BiLSTM模型输出的文本特征矩阵，hi-1为隐藏层状态，ci-1为记忆单元状态。
最后，将文本特征矩阵T输入到一层全连接层中，得到映射到样本标记空间的归一化文本特征Ft，即上述的第一特征矩阵，为后续的多模态特征融合使用，归一化如公式五所示，
Ft＝WlT+b1(五)
其中，Ft表示归一化后输出的文本特征，Wl表示全连接层中的权重矩阵，T表示文本特征矩阵，b1表示偏置项。
可选地，在本申请实施例一提供的用户评价信息的预测方法中，提取音频信息的音频特征，并提取音频特征的向量表征，得到第二特征矩阵包括：将音频信息转换为梅尔频率倒谱系数，得到N维音频特征，其中，N是正整数；采用时间卷积网络对N维音频特征进行向量表征，得到第二特征矩阵。
在本实施例一中，为了提取更加符合人耳听觉的音频特征，可以将原始语音转换成梅尔频率倒谱系数MFCCs，提高了音频特征的鲁棒性，再采用时间卷积网络对上述的MFCCs特征进行向量提取，得到音频向量特征，时间卷积网络通过在不同卷积层设置不同的扩张率，扩大了每一层的感受野，再通过残差结构将前一层网络中的信息更好的传递到一层网络中，能够提取到蕴含了时序信息的音频特征向量，解决了由于CNN捕获长距离需要增加网络层数，导致网络复杂、难以训练、拟合效果差的问题。
具体地，将原始语音转换成梅尔频率倒谱系数MFCCs(Mell-Frequency CepstralCoefficients)，得到39维的MFCCs特征之后，将第i个MFCCs特征记为其中，d1和d2分别表示MFCCs特征对应的维度大小。然后，使用TCN(Temporal ConvolutionalNetwork)时间卷积网络对上面的MFCCs特征进行向量提取。具体步骤如下：步骤一，针对音频信息中某条话语，使用因果卷积将该话语与该话语之前的所有话语进行结合，如公式六所示，
其中，L表示话语长度，xi表示语音上述音频信息中第i条话语，P(x)表示因果卷积输出的音频特征向量；步骤二，使用扩张卷积结构在不同卷积层设置不同的扩张率，扩大每一层的感受野，再通过残差结构将前一层网络中的信息更好的传递到一层网络中，得到蕴含了时序信息的音频特征向量，如公式五所示，
Ta＝TCN_C(P(x))(七)
其中，P(x)表示因果卷积输出的音频特征向量，Ta表示扩张卷积输出的音频特征矩阵，TCN_C表示时间卷积网络中的扩张卷积结构。最后，将音频特征矩阵Ta输入到一层全连接层中，得到映射到样本标记空间的归一化文本特征，为后续的多模态特征融合使用，如公式八所示，
Fa＝W2Ta+b2(八)
其中，Fa表示归一化后输出的音频特征，W2表示全连接层中的权重矩阵，Ta表示音频特征矩阵，b2表示偏置项。
可选地，在本申请实施例一提供的用户评价信息的预测方法中，提取视频信息中的关键帧，并从关键帧中提取图像特征，得到第三特征矩阵包括：提取视频信息中的视频帧，得到视频帧集合；在视频帧中确定M个初始聚类中心，并提取M个初始聚类中心中每个初始聚类中心的特征信息，其中，M是大于1的正整数；依据视频帧集合中每个视频帧分别与每个初始聚类中心的距离，将视频帧集合中的视频帧划分为M类视频帧；计算M类视频帧中每一类视频帧的目标聚类中心，依据每一类视频帧中视频帧与目标聚类中心的距离确定每一类视频帧的关键帧，得到M个关键帧；分别提取M个关键帧的图像特征，得到第三特征矩阵。
在本实施例一中，为了提取视频信息中的视频特征，需要采用聚类方法对视频进行处理，提取视频信息的关键帧，然后采用VGG16(Visual Geometry Group 16)模型对关键帧提取视频帧中的图像特征。
具体地，关键帧采用基于聚类的方法提取，从视频相似性的角度出发，利用帧与帧之间的相似度将帧进行划分。提取视频信息的每一帧视频帧，得到上述的视频帧集合，在视频帧集合中随机设置M个初始聚类中心，并提取各自的特征信息，根据特征信息的不同，划分M个簇，计算当前每个视频帧与各初始聚类中心间的距离，以确定该视频帧被划分到哪个簇，计算过程如公式九所示，
其中，AVG(k)表示簇K中视频帧到该簇聚类中心的平均距离，k表示簇k，N表示簇k中视频帧的数量，表示簇k中第i个视频帧，Yk表示簇k的聚类中心，/>表示簇k中第i个视频帧与簇k的聚类中心之间的距离。待所有视频帧均划分到对应的簇中之后，计算每个簇的聚类中心(即上述的目标聚类中心)，再选取每个簇距离各目标聚类中心最近的视频帧作为该簇的关键帧。关键帧提取后，将关键帧输入到VGG16模型中，采用VGG16模型对关键帧提取图像特征。为了便于计算，VGG16模型仅需要进行灰度图像存储，因此，第i个关键帧对应的图像特征记为/>其中，dv1、dv2、dv3分别表示图像特征对应的维度大小。经过VGG16模型后的输出记为Fv，如公式十所示，
Fv＝VFF16(Vi)(十)
最后，将VGG16模型输出的图像特征Fv输入到一层全连接层中，得到映射到样本标记空间的归一化文本特征，为后续的多模态特征融合使用，如公式十一所示，
Fv＝W3Tv+b3(十一)
其中，Fv表示归一化后输出的图像特征矩阵，W3表示全连接层中的权重矩阵，tv表示音频特征向量，b3表示偏置项。
可选地，在本申请实施例一提供的用户评价信息的预测方法中，分别计算第一特征矩阵、第二特征矩阵和第三特征矩阵的互注意力矩阵，并对得到的互注意力矩阵进行矩阵拼接，得到目标特征矩阵包括：构建第四特征矩阵对应的第一匹配矩阵，构建第五特征矩阵对应的第二匹配矩阵，其中，第四特征矩阵和第五特征矩阵均为第一特征矩阵、第二特征矩阵和第三特征矩阵中的特征矩阵，且第四特征矩阵不同于第五特征矩阵；计算第一匹配矩阵的概率分布得到第一注意力权重，计算第二匹配矩阵的概率分布得到第二注意力权重；将第一注意力权重与第四特征矩阵相乘，并将乘积与第四特征矩阵相乘得到第一互注意力矩阵；将第二注意力权重与第五特征矩阵相乘，并将乘积与第五特征矩阵相乘得到第二互注意力矩阵；将第一互注意力矩阵和第二互注意力矩阵进行拼接，并计算拼接后的矩阵与第六特征矩阵的互注意力矩阵，得到目标特征矩阵，其中，第六特征矩阵是指第一特征矩阵、第二特征矩阵和第三特征矩阵中不同于第四特征矩阵，且不同于第五特征矩阵的特征矩阵。
在本实施例一中，为了高效地融合不同模态的特征信息及其间的交互信息，以便揭示每个模态对用户评价信息识别的独特作用，提升识别结果的准确度，可以引进注意力机制，将文本、语音和图像特征两两结合，形成文本-语音特征对、文本-图像特征对和语音-图像特征对，以进行初步的模态间交互，实现了双模态的浅层融合，再次运用跨模态注意力机制，进一步加强各特征间的互动，综合三个模态提供的特征信息，最终获得的融合向量能够有效地表达三个模态的综合情感特性，实现不同模态特征信息的有效互动和整合。
具体地，对传统的注意力机制进行了改进，以促进模态间的融合和交互。以语音(即上述的第四特征矩阵)-图像(即上述的第五特征矩阵)对为例，首先构建各自的匹配矩阵(即上述的第四特征矩阵对应的第一匹配矩阵，第五特征矩阵对应的第二匹配矩阵)来代表交叉模态信息，如公式十二和公式十三所示，
其中，Fa表示提取出的音频特征，Fv表示提取出的图像特征，Mav表示第一匹配矩阵，Mva表示第二匹配矩阵。然后，使用softmax函数计算Mav和Mva每个特征的概率分布，即计算上下文的注意力权重N，以表示音频模态特征与图像模态特征的相关性，两个模态特征的交互性与融合信息的重要性与注意力权重N呈正相关，如公式十四和公式十五所示，
其中，n表示矩阵Mav中特征向量的数量，Mavi表示矩阵Mav中第i个特征向量，N1表示第一匹配矩阵对应的注意力权重，N2表示第二匹配矩阵对应的注意力权重。然后，分别计算每个模态特征对应的注意力表征矩阵，如公式十六和公式十七所示，
O1＝N1·Fa (十六)
O2＝N2·Fv (十七)
其中，O1表示音频模态特征对应的注意力表征矩阵，O2表示图像模态特征对应的注意力表征矩阵。其次，分别将注意力表征矩阵与模态矩阵进行逐个元素相乘的计算，计算两个模态的互注意力信息矩阵，这有助于关注多个模态和话语的重要组成部分，如公式十八和公式十九所示，
A1＝O1·Fv (十八)
A2＝O2·Fa (十九)
其中，A1表示音频模态特征对应的互注意力信息矩阵，A2表示图像模态特征对应的互注意力信息矩阵。最后，将互注意力信息矩阵A1和互注意力信息矩阵A2拼接获得一个新的特征表示矩阵，作为语音-图像对的融合信息特征表示，如公式二十所示，
Fav＝concat(A1，A2)(二十)
其中，Fav表示语音-图像对的融合信息特征，concat表示矩阵拼接。按照以上公式十二至公式二十的计算方法，计算语音-图像对的融合信息特征与图像模态特征(即上述的第六特征矩阵，在本实施例一中是指上述的音频特征矩阵)的互注意力信息矩阵，得到上述的目标特征矩阵Ftav。
可选地，在本实施例一中，本方案预测目标用户的评价趋势的流程可以如图2所示。首先，提取多模态特征，包括：文本信息、音频信息和视频信息，采用BERT模型对文本信息进行处理，得到文本向量，采用BiLSTM模型和Dense模型对文本向量进行处理，得到上述的第一特征矩阵，将音频信息转换为MFCCs特征(如图2中的39中声学特征)，采用TCN模型和Dense模型对MFCCs特征进行处理，得到上述的第二特征矩阵，采用聚类算法从视频帧中提取关键帧，采用VGG16模型和Dense模型对关键帧中进行处理，得到上述的第三特征矩阵，将第一特征矩阵、第二特征矩阵和第三特征矩阵进行融合，得到上述的目标特征矩阵。然后，采用Dense模型和softmax函数对目标特征矩阵进行计算，得到目标用户对金融产品的评价分类结果。最后，根据目标用户在不同时刻对金融产品的评价分类结果，预测目标用户在未来时刻对金融产品的评价信息。
可选地，在本申请实施例一提供的用户评价信息的预测方法中，在依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果之后，上述的方法还包括：在接收到目标用户针对金融产品发起的分析请求的情况下，从目标特征矩阵中提取目标关键词，其中，目标关键词是指目标用户描述金融产品的关键词；依据目标关键词和预测结果生成分析报告，得到目标报告；将目标报告发送至目标设备中，其中，目标设备向目标用户展示目标报告。
在本实施例一中，为了提高用户满意度，进一步分析用户对金融产品的评价信息，可以从目标用户的历史评价信息中提取关键词，并根据关键词和上述的预测结果生成目标用户对应的分析报告，以供目标用户查看。
在一可选的实施例中，生成目标报告的流程可以如图3所示，用户首先需要输入希望分析的金融产品，并点击确定按钮，开始收集目标用户在网络中有关该金融产品的文本信息、音频信息和视频信息，进行数据预处理操作，分别提取每个模态的特征矩阵，融合每个模态的特征矩阵，对该金融产品的评价信息进行分类，得到正向评价或负向评价，采用不同时刻的评价信息和分类信息预测目标用户在未来时刻的评价信息。此外，还可以从每个模态的特征矩阵中提取关键词，根据预测的评价信息和关键词生成该金融产品的分析报告，该报告内容涵盖了用户对产品的评价倾向、每种评价倾向的用户数量以及该用户对该用金融产品的评价关键词和该用户的评价趋势预测，在生成分析报告后，用户可以方便地通过网页或应用程序(app)进行查询，使用户能够更全面地了解金融产品在网络上收获的各种评价反应。这种直观而用户友好的方式，使得用户能够轻松获取对金融产品的社交媒体评价信息的分析结果，有助于用户更深入地理解金融产品在大众中的形象和感受。
可选地，在本申请实施例一提供的用户评价信息的预测方法中，从目标特征矩阵中提取目标关键词包括：采用关键词提取模型提取目标特征矩阵的初始关键词，得到第一词向量；采用平均算法对第一词向量进行处理，得到第二词向量；采用拟合后的支持向量机模型从第二词向量中提取特征，得到第三词向量；采用基于密度的聚类算法对第三词向量进行聚类，得到目标关键词。
具体地，输出目标关键词的流程可以如图4所示，首先经过TextRank模型(即上述的关键词提取模型)从目标特征矩阵的文本特征矩阵中提取初始关键词(即上述的第一词向量)，然后对各词向量用平均的方式生成整句对应的向量(即上述的第二词向量)，并利用矩阵转化生成模型，同时拟合支持向量机SVM模型进一步提取特征(即上述的第三词向量)，最后使用基于密度的聚类算法进行聚类，输出目标关键词。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例二
本申请实施例二还提供了一种用户评价信息的预测装置，需要说明的是，本申请实施例二的用户评价信息的预测装置可以用于执行本申请实施例一所提供的用于用户评价信息的预测方法。以下对本申请实施例二提供的用户评价信息的预测装置进行介绍。
图5是根据本申请实施例二的用户评价信息的预测装置的示意图。如图5所示，该装置包括：采集单元501、第一提取单元502、计算单元503、构建单元504和预测单元505。
具体地，采集单元501，用于从至少一种预设渠道采集目标用户对金融产品的历史评价信息。
第一提取单元502，用于提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵。
计算单元503，用于将目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，输出结果包含不同类别评价信息的置信度，目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型。
构建单元504，用于依据输出结果构建评价信息序列，其中，评价信息序列包含在不同时刻目标用户对金融产品的评价信息。
预测单元505，用于依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果。
本申请实施例二提供的用户评价信息的预测装置，通过采集单元501从至少一种预设渠道采集目标用户对金融产品的历史评价信息；第一提取单元502提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵；计算单元503将目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，输出结果包含不同类别评价信息的置信度，目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；构建单元504依据输出结果构建评价信息序列，其中，评价信息序列包含在不同时刻目标用户对金融产品的评价信息；预测单元505依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果，解决了相关技术中预测用户对金融产品的评价信息时，仅对单一模态的数据进行分析预测，导致预测结果不准确的问题。通过采集并融合多模态的历史评价信息，能够全面地理解和表征数据，提高数据的表征能力和模型的性能，帮助模型实现跨模态的关联和理解，从而更好地解决用户评价这一复杂任务，提高了计算用户对金融产品的评价信息的准确性，同时通过引入时间信息构建评价信息序列，能够基于不同时刻对应的评价信息，实现了预测目标用户在未来时刻的评价信息的效果。
可选地，在本申请实施例二提供的用户评价信息的预测装置中，上述的历史评价信息至少包括以下信息：文本信息、音频信息、视频信息，上述的第一提取单元502包括：第一提取子单元，用于对文本信息进行文本向量化处理，并提取文本信息中的依赖关系和时间序列特征，得到第一特征矩阵；第二提取子单元，用于提取音频信息的音频特征，并提取音频特征的向量表征，得到第二特征矩阵；第三提取子单元，用于提取视频信息中的关键帧，并从关键帧中提取图像特征，得到第三特征矩阵；计算子单元，用于分别计算第一特征矩阵、第二特征矩阵和第三特征矩阵的互注意力矩阵，并对得到的互注意力矩阵进行矩阵拼接，得到目标特征矩阵。
可选地，在本申请实施例二提供的用户评价信息的预测装置中，上述的第一提取子单元包括：第一处理模块，用于采用第一预设模型处理文本信息，得到文本特征矩阵，其中，第一预设模型至少包括：双向编码器表示转换器；第一提取模块，用于采用第二预设模型提取文本特征矩阵中的依赖关系和时间序列特征，得到第一特征矩阵，其中，第一预设模型至少包括：双向长短期记忆网络。
可选地，在本申请实施例二提供的用户评价信息的预测装置中，上述的第二提取子单元包括：第二处理模块，用于将音频信息转换为梅尔频率倒谱系数，得到N维音频特征，其中，N是正整数；表征模块，用于采用时间卷积网络对N维音频特征进行向量表征，得到第二特征矩阵。
可选地，在本申请实施例二提供的用户评价信息的预测装置中，上述的第三提取子单元包括：第二提取模块，用于提取视频信息中的视频帧，得到视频帧集合；确定模块，用于在视频帧中确定M个初始聚类中心，并提取M个初始聚类中心中每个初始聚类中心的特征信息，其中，M是大于1的正整数；划分模块，用于依据视频帧集合中每个视频帧分别与每个初始聚类中心的距离，将视频帧集合中的视频帧划分为M类视频帧；第一计算模块，用于计算M类视频帧中每一类视频帧的目标聚类中心，依据每一类视频帧中视频帧与目标聚类中心的距离确定每一类视频帧的关键帧，得到M个关键帧；第三提取模块，用于分别提取M个关键帧的图像特征，得到第三特征矩阵。
可选地，在本申请实施例二提供的用户评价信息的预测装置中，上述的计算子单元包括：构建模块，用于构建第四特征矩阵对应的第一匹配矩阵，构建第五特征矩阵对应的第二匹配矩阵，其中，第四特征矩阵和第五特征矩阵均为第一特征矩阵、第二特征矩阵和第三特征矩阵中的特征矩阵，且第四特征矩阵不同于第五特征矩阵；第二计算模块，用于计算第一匹配矩阵的概率分布得到第一注意力权重，计算第二匹配矩阵的概率分布得到第二注意力权重；第三计算模块，用于将第一注意力权重与第四特征矩阵相乘，并将乘积与第四特征矩阵相乘得到第一互注意力矩阵；第四计算模块，用于将第二注意力权重与第五特征矩阵相乘，并将乘积与第五特征矩阵相乘得到第二互注意力矩阵；拼接模块，用于将第一互注意力矩阵和第二互注意力矩阵进行拼接，并计算拼接后的矩阵与第六特征矩阵的互注意力矩阵，得到目标特征矩阵，其中，第六特征矩阵是指第一特征矩阵、第二特征矩阵和第三特征矩阵中不同于第四特征矩阵，且不同于第五特征矩阵的特征矩阵。
可选地，在本申请实施例二提供的用户评价信息的预测装置中，上述的装置还包括：第二提取单元，用于在依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果之后，在接收到目标用户针对金融产品发起的分析请求的情况下，从目标特征矩阵中提取目标关键词，其中，目标关键词是指目标用户描述金融产品的关键词；生成单元，用于依据目标关键词和预测结果生成分析报告，得到目标报告；发送单元，用于将目标报告发送至目标设备中，其中，目标设备向目标用户展示目标报告。
可选地，在本申请实施例二提供的用户评价信息的预测装置中，上述的第二提取单元包括：第四提取子单元，用于采用关键词提取模型提取目标特征矩阵的初始关键词，得到第一词向量；处理子单元，用于采用平均算法对第一词向量进行处理，得到第二词向量；第五提取子单元，用于采用拟合后的支持向量机模型从第二词向量中提取特征，得到第三词向量；聚类子单元，用于采用基于密度的聚类算法对第三词向量进行聚类，得到目标关键词。
所述用户评价信息的预测装置包括处理器和存储器，上述的采集单元501、第一提取单元502、计算单元503、构建单元504和预测单元505等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高预测结果的准确性。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例三提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现用户评价信息的预测方法。
本发明实施例四提供了一种处理器，处理器用于运行程序，其中，程序运行时执行用户评价信息的预测方法。
如图6所示，本发明实施例五提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：从至少一种预设渠道采集目标用户对金融产品的历史评价信息；提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵；将目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，输出结果包含不同类别评价信息的置信度，目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；依据输出结果构建评价信息序列，其中，评价信息序列包含在不同时刻目标用户对金融产品的评价信息；依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果。
处理器执行程序时还实现以下步骤：上述的历史评价信息至少包括以下信息：文本信息、音频信息、视频信息，上述的提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵包括：对文本信息进行文本向量化处理，并提取文本信息中的依赖关系和时间序列特征，得到第一特征矩阵；提取音频信息的音频特征，并提取音频特征的向量表征，得到第二特征矩阵；提取视频信息中的关键帧，并从关键帧中提取图像特征，得到第三特征矩阵；分别计算第一特征矩阵、第二特征矩阵和第三特征矩阵的互注意力矩阵，并对得到的互注意力矩阵进行矩阵拼接，得到目标特征矩阵。
处理器执行程序时还实现以下步骤：对文本信息进行文本向量化处理，并提取文本信息中的依赖关系和时间序列特征，得到第一特征矩阵包括：采用第一预设模型处理文本信息，得到文本特征矩阵，其中，第一预设模型至少包括：双向编码器表示转换器；采用第二预设模型提取文本特征矩阵中的依赖关系和时间序列特征，得到第一特征矩阵，其中，第一预设模型至少包括：双向长短期记忆网络。
处理器执行程序时还实现以下步骤：提取音频信息的音频特征，并提取音频特征的向量表征，得到第二特征矩阵包括：将音频信息转换为梅尔频率倒谱系数，得到N维音频特征，其中，N是正整数；采用时间卷积网络对N维音频特征进行向量表征，得到第二特征矩阵。
处理器执行程序时还实现以下步骤：提取视频信息中的关键帧，并从关键帧中提取图像特征，得到第三特征矩阵包括：提取视频信息中的视频帧，得到视频帧集合；在视频帧中确定M个初始聚类中心，并提取M个初始聚类中心中每个初始聚类中心的特征信息，其中，M是大于1的正整数；依据视频帧集合中每个视频帧分别与每个初始聚类中心的距离，将视频帧集合中的视频帧划分为M类视频帧；计算M类视频帧中每一类视频帧的目标聚类中心，依据每一类视频帧中视频帧与目标聚类中心的距离确定每一类视频帧的关键帧，得到M个关键帧；分别提取M个关键帧的图像特征，得到第三特征矩阵。
处理器执行程序时还实现以下步骤：分别计算第一特征矩阵、第二特征矩阵和第三特征矩阵的互注意力矩阵，并对得到的互注意力矩阵进行矩阵拼接，得到目标特征矩阵包括：构建第四特征矩阵对应的第一匹配矩阵，构建第五特征矩阵对应的第二匹配矩阵，其中，第四特征矩阵和第五特征矩阵均为第一特征矩阵、第二特征矩阵和第三特征矩阵中的特征矩阵，且第四特征矩阵不同于第五特征矩阵；计算第一匹配矩阵的概率分布得到第一注意力权重，计算第二匹配矩阵的概率分布得到第二注意力权重；将第一注意力权重与第四特征矩阵相乘，并将乘积与第四特征矩阵相乘得到第一互注意力矩阵；将第二注意力权重与第五特征矩阵相乘，并将乘积与第五特征矩阵相乘得到第二互注意力矩阵；将第一互注意力矩阵和第二互注意力矩阵进行拼接，并计算拼接后的矩阵与第六特征矩阵的互注意力矩阵，得到目标特征矩阵，其中，第六特征矩阵是指第一特征矩阵、第二特征矩阵和第三特征矩阵中不同于第四特征矩阵，且不同于第五特征矩阵的特征矩阵。
处理器执行程序时还实现以下步骤：在依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果之后，上述的方法还包括：在接收到目标用户针对金融产品发起的分析请求的情况下，从目标特征矩阵中提取目标关键词，其中，目标关键词是指目标用户描述金融产品的关键词；依据目标关键词和预测结果生成分析报告，得到目标报告；将目标报告发送至目标设备中，其中，目标设备向目标用户展示目标报告。
处理器执行程序时还实现以下步骤：从目标特征矩阵中提取目标关键词包括：采用关键词提取模型提取目标特征矩阵的初始关键词，得到第一词向量；采用平均算法对第一词向量进行处理，得到第二词向量；采用拟合后的支持向量机模型从第二词向量中提取特征，得到第三词向量；采用基于密度的聚类算法对第三词向量进行聚类，得到目标关键词。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：从至少一种预设渠道采集目标用户对金融产品的历史评价信息；提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵；将目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，输出结果包含不同类别评价信息的置信度，目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；依据输出结果构建评价信息序列，其中，评价信息序列包含在不同时刻目标用户对金融产品的评价信息；依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：上述的历史评价信息至少包括以下信息：文本信息、音频信息、视频信息，上述的提取历史评价信息中的多模态特征，并将多模态特征进行融合，得到目标特征矩阵包括：对文本信息进行文本向量化处理，并提取文本信息中的依赖关系和时间序列特征，得到第一特征矩阵；提取音频信息的音频特征，并提取音频特征的向量表征，得到第二特征矩阵；提取视频信息中的关键帧，并从关键帧中提取图像特征，得到第三特征矩阵；分别计算第一特征矩阵、第二特征矩阵和第三特征矩阵的互注意力矩阵，并对得到的互注意力矩阵进行矩阵拼接，得到目标特征矩阵。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：对文本信息进行文本向量化处理，并提取文本信息中的依赖关系和时间序列特征，得到第一特征矩阵包括：采用第一预设模型处理文本信息，得到文本特征矩阵，其中，第一预设模型至少包括：双向编码器表示转换器；采用第二预设模型提取文本特征矩阵中的依赖关系和时间序列特征，得到第一特征矩阵，其中，第一预设模型至少包括：双向长短期记忆网络。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：提取音频信息的音频特征，并提取音频特征的向量表征，得到第二特征矩阵包括：将音频信息转换为梅尔频率倒谱系数，得到N维音频特征，其中，N是正整数；采用时间卷积网络对N维音频特征进行向量表征，得到第二特征矩阵。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：提取视频信息中的关键帧，并从关键帧中提取图像特征，得到第三特征矩阵包括：提取视频信息中的视频帧，得到视频帧集合；在视频帧中确定M个初始聚类中心，并提取M个初始聚类中心中每个初始聚类中心的特征信息，其中，M是大于1的正整数；依据视频帧集合中每个视频帧分别与每个初始聚类中心的距离，将视频帧集合中的视频帧划分为M类视频帧；计算M类视频帧中每一类视频帧的目标聚类中心，依据每一类视频帧中视频帧与目标聚类中心的距离确定每一类视频帧的关键帧，得到M个关键帧；分别提取M个关键帧的图像特征，得到第三特征矩阵。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：分别计算第一特征矩阵、第二特征矩阵和第三特征矩阵的互注意力矩阵，并对得到的互注意力矩阵进行矩阵拼接，得到目标特征矩阵包括：构建第四特征矩阵对应的第一匹配矩阵，构建第五特征矩阵对应的第二匹配矩阵，其中，第四特征矩阵和第五特征矩阵均为第一特征矩阵、第二特征矩阵和第三特征矩阵中的特征矩阵，且第四特征矩阵不同于第五特征矩阵；计算第一匹配矩阵的概率分布得到第一注意力权重，计算第二匹配矩阵的概率分布得到第二注意力权重；将第一注意力权重与第四特征矩阵相乘，并将乘积与第四特征矩阵相乘得到第一互注意力矩阵；将第二注意力权重与第五特征矩阵相乘，并将乘积与第五特征矩阵相乘得到第二互注意力矩阵；将第一互注意力矩阵和第二互注意力矩阵进行拼接，并计算拼接后的矩阵与第六特征矩阵的互注意力矩阵，得到目标特征矩阵，其中，第六特征矩阵是指第一特征矩阵、第二特征矩阵和第三特征矩阵中不同于第四特征矩阵，且不同于第五特征矩阵的特征矩阵。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在依据评价信息序列预测未来预设时刻目标用户对金融产品的评价信息，得到预测结果之后，上述的方法还包括：在接收到目标用户针对金融产品发起的分析请求的情况下，从目标特征矩阵中提取目标关键词，其中，目标关键词是指目标用户描述金融产品的关键词；依据目标关键词和预测结果生成分析报告，得到目标报告；将目标报告发送至目标设备中，其中，目标设备向目标用户展示目标报告。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：从目标特征矩阵中提取目标关键词包括：采用关键词提取模型提取目标特征矩阵的初始关键词，得到第一词向量；采用平均算法对第一词向量进行处理，得到第二词向量；采用拟合后的支持向量机模型从第二词向量中提取特征，得到第三词向量；采用基于密度的聚类算法对第三词向量进行聚类，得到目标关键词。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (11)

1.一种用户评价信息的预测方法，其特征在于，包括：
从至少一种预设渠道采集目标用户对金融产品的历史评价信息；
提取所述历史评价信息中的多模态特征，并将所述多模态特征进行融合，得到目标特征矩阵；
将所述目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，所述输出结果包含不同类别评价信息的置信度，所述目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；
依据所述输出结果构建评价信息序列，其中，所述评价信息序列包含在不同时刻所述目标用户对所述金融产品的评价信息；
依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述历史评价信息至少包括以下信息：文本信息、音频信息、视频信息，提取所述历史评价信息中的多模态特征，并将所述多模态特征进行融合，得到目标特征矩阵包括：
对所述文本信息进行文本向量化处理，并提取所述文本信息中的依赖关系和时间序列特征，得到第一特征矩阵；
提取所述音频信息的音频特征，并提取所述音频特征的向量表征，得到第二特征矩阵；
提取所述视频信息中的关键帧，并从所述关键帧中提取图像特征，得到第三特征矩阵；
分别计算所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵的互注意力矩阵，并对得到的所述互注意力矩阵进行矩阵拼接，得到所述目标特征矩阵。
3.根据权利要求2所述的方法，其特征在于，对所述文本信息进行文本向量化处理，并提取所述文本信息中的依赖关系和时间序列特征，得到第一特征矩阵包括：
采用第一预设模型处理所述文本信息，得到文本特征矩阵，其中，所述第一预设模型至少包括：双向编码器表示转换器；
采用第二预设模型提取所述文本特征矩阵中的依赖关系和时间序列特征，得到所述第一特征矩阵，其中，所述第一预设模型至少包括：双向长短期记忆网络。
4.根据权利要求2所述的方法，其特征在于，提取所述音频信息的音频特征，并提取所述音频特征的向量表征，得到第二特征矩阵包括：
将所述音频信息转换为梅尔频率倒谱系数，得到N维音频特征，其中，N是正整数；
采用时间卷积网络对所述N维音频特征进行向量表征，得到所述第二特征矩阵。
5.根据权利要求2所述的方法，其特征在于，提取所述视频信息中的关键帧，并从所述关键帧中提取图像特征，得到第三特征矩阵包括：
提取所述视频信息中的视频帧，得到视频帧集合；
在所述视频帧中确定M个初始聚类中心，并提取所述M个初始聚类中心中每个初始聚类中心的特征信息，其中，M是大于1的正整数；
依据所述视频帧集合中每个视频帧分别与每个初始聚类中心的距离，将所述视频帧集合中的视频帧划分为M类视频帧；
计算所述M类视频帧中每一类视频帧的目标聚类中心，依据每一类视频帧中视频帧与所述目标聚类中心的距离确定每一类视频帧的关键帧，得到M个关键帧；
分别提取所述M个关键帧的图像特征，得到所述第三特征矩阵。
6.根据权利要求2所述的方法，其特征在于，分别计算所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵的互注意力矩阵，并对得到的所述互注意力矩阵进行矩阵拼接，得到所述目标特征矩阵包括：
构建第四特征矩阵对应的第一匹配矩阵，构建第五特征矩阵对应的第二匹配矩阵，其中，所述第四特征矩阵和所述第五特征矩阵均为所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵中的特征矩阵，且所述第四特征矩阵不同于所述第五特征矩阵；
计算所述第一匹配矩阵的概率分布得到第一注意力权重，计算所述第二匹配矩阵的概率分布得到第二注意力权重；
将所述第一注意力权重与所述第四特征矩阵相乘，并将乘积与所述第四特征矩阵相乘得到第一互注意力矩阵；
将所述第二注意力权重与所述第五特征矩阵相乘，并将乘积与所述第五特征矩阵相乘得到第二互注意力矩阵；
将所述第一互注意力矩阵和所述第二互注意力矩阵进行拼接，并计算拼接后的矩阵与第六特征矩阵的互注意力矩阵，得到所述目标特征矩阵，其中，所述第六特征矩阵是指所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵中不同于所述第四特征矩阵，且不同于所述第五特征矩阵的特征矩阵。
7.根据权利要求1所述的方法，其特征在于，在依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果之后，所述方法还包括：
在接收到所述目标用户针对所述金融产品发起的分析请求的情况下，从所述目标特征矩阵中提取目标关键词，其中，所述目标关键词是指所述目标用户描述所述金融产品的关键词；
依据所述目标关键词和所述预测结果生成分析报告，得到目标报告；
将所述目标报告发送至目标设备中，其中，所述目标设备向所述目标用户展示所述目标报告。
8.根据权利要求7所述的方法，其特征在于，从所述目标特征矩阵中提取目标关键词包括：
采用关键词提取模型提取所述目标特征矩阵的初始关键词，得到第一词向量；
采用平均算法对所述第一词向量进行处理，得到第二词向量；
采用拟合后的支持向量机模型从所述第二词向量中提取特征，得到第三词向量；
采用基于密度的聚类算法对所述第三词向量进行聚类，得到所述目标关键词。
9.一种用户评价信息的预测装置，其特征在于，包括：
采集单元，用于从至少一种预设渠道采集目标用户对金融产品的历史评价信息；
第一提取单元，用于提取所述历史评价信息中的多模态特征，并将所述多模态特征进行融合，得到目标特征矩阵；
计算单元，用于将所述目标特征矩阵输入目标分类模型中进行计算，得到输出结果，其中，所述输出结果包含不同类别评价信息的置信度，所述目标分类模型是指采用多模态特征融合后的特征矩阵对预设分类模型进行训练后得到的模型；
构建单元，用于依据所述输出结果构建评价信息序列，其中，所述评价信息序列包含在不同时刻所述目标用户对所述金融产品的评价信息；
预测单元，用于依据所述评价信息序列预测未来预设时刻所述目标用户对所述金融产品的评价信息，得到预测结果。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的用户评价信息的预测方法。
11.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的用户评价信息的预测方法。
CN202410052618.6A 2024-01-12 2024-01-12 用户评价信息的预测方法、装置及电子设备 Pending CN117853175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410052618.6A CN117853175A (zh) 2024-01-12 2024-01-12 用户评价信息的预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410052618.6A CN117853175A (zh) 2024-01-12 2024-01-12 用户评价信息的预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN117853175A true CN117853175A (zh) 2024-04-09

Family

ID=90548025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410052618.6A Pending CN117853175A (zh) 2024-01-12 2024-01-12 用户评价信息的预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117853175A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118427779A (zh) * 2024-04-26 2024-08-02 中国农业科学院农业信息研究所 一种基于大数据的品牌数据智能识别诊断方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118427779A (zh) * 2024-04-26 2024-08-02 中国农业科学院农业信息研究所 一种基于大数据的品牌数据智能识别诊断方法及系统

Similar Documents

Publication Publication Date Title
CN109874029B (zh) 视频描述生成方法、装置、设备及存储介质
CN111783474B (zh) 一种评论文本观点信息处理方法、装置及存储介质
CN112818861B (zh) 一种基于多模态上下文语义特征的情感分类方法及系统
CN112131350B (zh) 文本标签确定方法、装置、终端及可读存储介质
CN112000818B (zh) 一种面向文本和图像的跨媒体检索方法及电子装置
CN111930992A (zh) 神经网络训练方法、装置及电子设备
CN113590849A (zh) 多媒体资源分类模型训练方法和多媒体资源推荐方法
CN113723166A (zh) 内容识别方法、装置、计算机设备和存储介质
CN113704460B (zh) 一种文本分类方法、装置、电子设备和存储介质
CN109598387A (zh) 基于双向跨模态注意力网络模型的股价预测方法及系统
CN111382573A (zh) 用于答案质量评估的方法、装置、设备和存储介质
CN110188158B (zh) 关键词及话题标签生成方法、装置、介质及电子设备
CN114443899A (zh) 视频分类方法、装置、设备及介质
CN117853175A (zh) 用户评价信息的预测方法、装置及电子设备
CN116541492A (zh) 一种数据处理方法及相关设备
Nguyen et al. Meta-transfer learning for emotion recognition
CN117216185A (zh) 分发内容的评论生成方法、装置、设备及存储介质
CN117494815A (zh) 面向档案的可信大语言模型训练、推理方法和装置
CN117150320B (zh) 对话数字人情感风格相似度评价方法及系统
CN117349402A (zh) 一种基于机器阅读理解的情绪原因对识别方法及系统
CN116645956A (zh) 语音合成方法、语音合成系统、电子设备及存储介质
CN117077653A (zh) 一种可控生成的方法及其装置
CN116312644A (zh) 语音情感分类方法、装置、设备和存储介质
CN114333790A (zh) 数据处理方法、装置、设备、存储介质及程序产品
CN115687910A (zh) 一种数据处理方法、装置、计算机设备以及可读存储介质

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