[发明专利]信息推送方法和装置

权利要求书

1.一种信息推送方法，其特征在于，所述方法包括：

对待处理的文本进行分词，并确定所分割成的各个词的词向量；

对所确定的各个词向量进行解析，生成所述文本的特征信息；

将所述特征信息输入至预先训练的文本情感分析模型，确定与所述文本相匹配的情感类型信息，其中，所述文本情感分析模型用于表征特征信息与情感类型信息的对应关系；

推送所述情感类型信息；

所述对所确定的各个词向量进行解析，生成所述文本的特征信息，包括：将所确定的各个词向量输入至预先训练的第一时间递归神经网络，得到所述第一时间递归神经网络输出的、与各个词对应的特征向量，其中，所述第一时间递归神经网络用于生成词的特征；将所得到的各个特征向量输入至预先训练的第二时间递归神经网络，得到所述第二时间递归神经网络输出的、各个词在所述文本中的权重，所述第二时间递归神经网络用于生成词的权重；基于所得到的各个词的特征向量和各个词的权重，生成所述文本的特征信息。

2.根据权利要求1所述的信息推送方法，其特征在于，所述基于所得到的各个词的特征向量和各个词的权重，生成所述文本的特征信息，包括：

对于每一个词，将该词的特征向量和该词的权重的乘积确定为该词的目标特征向量；

确定各个目标特征向量的和，并确定所分割成的词的数量；

将所确定的各个目标特征向量的和与所述数量的比值确定为所述文本的特征信息。

3.根据权利要求1-2之一所述的信息推送方法，其特征在于，所述方法还包括训练文本情感分析模型的步骤，包括：

提取预设的训练样本，其中，所述训练样本包括情感类型标识；

对所述训练样本进行分词，并确定所分割成的各个词的词向量；

对所确定的各个词向量进行解析，生成所述训练样本的特征信息；

利用机器学习方法，将所述训练样本的特征信息作为输入、将所述情感类型标识所指示的情感类型信息作为输出，训练文本情感分析模型。

4.根据权利要求2所述的信息推送方法，其特征在于，所述第一时间递归神经网络是基于对长短期记忆网络LSTM模型进行训练而生成的神经网络，所述第二时间递归神经网络是基于对注意力模型AM进行训练而生成的神经网络。

5.一种信息推送装置，其特征在于，所述装置包括：

第一分词单元，配置用于对待处理的文本进行分词，并确定所分割成的各个词的词向量；

第一解析单元，配置用于对所确定的各个词向量进行解析，生成所述文本的特征信息；

输入单元，配置用于将所述特征信息输入至预先训练的文本情感分析模型，确定与所述文本相匹配的情感类型信息，其中，所述文本情感分析模型用于表征特征信息与情感类型信息的对应关系；

推送单元，配置用于推送所述情感类型信息；

所述第一解析单元进一步配置用于：将所确定的各个词向量输入至预先训练的第一时间递归神经网络，得到所述第一时间递归神经网络输出的、与各个词对应的特征向量，其中，所述第一时间递归神经网络用于生成词的特征；将所得到的各个特征向量输入至预先训练的第二时间递归神经网络，得到所述第二时间递归神经网络输出的、各个词在所述文本中的权重，所述第二时间递归神经网络用于生成词的权重；基于所得到的各个词的特征向量和各个词的权重，生成所述文本的特征信息。

6.根据权利要求5所述的信息推送装置，其特征在于，所述第一解析单元进一步配置用于：

对于每一个词，将该词的特征向量和该词的权重的乘积确定为该词的目标特征向量；确定各个目标特征向量的和，并确定所分割成的词的数量；将所确定的各个目标特征向量的和与所述数量的比值确定为所述文本的特征信息。